1. 项目概述:打造数据库智能管家的初衷
作为一名常年与数据库打交道的开发者,我发现自己陷入了重复劳动的怪圈:每天在IDE里执行SQL查询,然后手动复制结果粘贴到AI聊天窗口等待分析。这种工作模式不仅效率低下,还存在数据安全隐患——尤其是当数据库部署在内网环境时,根本无法直接与云端AI服务对接。
这个痛点促使我萌生了一个想法:能否让AI直接与数据库对话?通过Gemini 3.1的Function Calling功能,我成功构建了一个能够自主生成SQL、执行查询并分析结果的智能代理。这个方案最吸引我的地方在于它突破了传统AI仅作为"聊天对象"的局限,真正实现了AI作为"执行者"的角色转变。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与排坑实录
2.1 开发环境搭建
在MacOS上搭建Python开发环境时,我遇到了三个典型问题:
- 缺失MySQL驱动:首次运行脚本时报错提示缺少mysql模块
- 系统保护限制:直接pip安装时触发PEP 668保护机制
- 虚拟环境方案:最终采用venv创建隔离环境解决问题
重要提示:在MacOS Monterey及以上版本,系统自带的Python受到严格保护,强烈建议开发者从一开始就使用虚拟环境。
2.2 虚拟环境配置详解
正确的环境搭建步骤如下:
bash复制# 创建虚拟环境
python3 -m venv venv
# 激活环境
source venv/bin/activate
# 安装必要依赖
pip install mysql-connector-python google-generativeai
这个过程中有几个关键细节需要注意:
- 虚拟环境目录建议命名为venv以便.gitignore统一管理
- 激活环境后终端提示符前会出现(venv)标识
- 建议将依赖列表保存到requirements.txt方便团队协作
3. 核心功能实现
3.1 系统架构设计
整个系统采用经典的AI Agent架构:
- 决策层:Gemini 3.1模型负责理解需求并生成SQL指令
- 执行层:Python脚本连接数据库执行查询
- 反馈层:原始数据返回给AI进行最终分析
这种分层设计的好处是职责清晰,每层都可以独
