核心要点
- AI-Native ≠ LLM+DB,而是数据库语义层与AI推理层的双向编译
- 审计日志完整性是生产环境准入第一红线,非功能需求应前置评估
- 在信创环境中,‘能跑通’不等于‘可交付’——需验证权限收敛、SQL注入防护、离线向量能力
综合评分
什么是AI-Native SQL?与Copilot式“LLM on DB”的本质区别
当某省政务中台的DBA第一次用自然语言问出 “请列出近30天所有被驳回且未重提的跨部门协同工单,按发起单位所属地市归类,排除测试账号提交的记录”,并得到一条可审计、可复现、自动适配达梦8物化视图+TiDB分区键+Oracle行级权限策略的SQL时——这已不是“让大模型写SQL”,而是数据库语义层与AI推理层完成了一次双向编译。
AI-Native SQL ≠ LLM + DB 的简单叠加,更不是把ChatUI套在JDBC驱动上。 它的本质是:将数据库的Schema、权限、统计信息、执行计划反馈甚至存储过程语义,作为AI推理的第一等公民(First-Class Citizen)参与建模与决策闭环。
我们对比三类典型架构:
| 类型 | 代表工具 | 核心机制 | 生产风险点 | 是否AI-Native |
|---|---|---|---|---|
| API封装型 | Tableau Copilot、Power BI Q&A | 将NL问题转为Prompt发给云端LLM,再用正则/模板拼接SQL | ✅ 无法感知物化视图别名、❌ 权限上下文丢失、❌ 执行失败后无修复链路 | ❌ 否 |
| Schema感知型 | Dataherald、sqlcoder-pro | 本地加载表结构+注释+样本数据,构建轻量向量库,LLM仅做SQL生成 | ✅ 支持JOIN推断、❌ 不理解存储过程入参约束、❌ 联邦查询需人工指定路由 | ⚠️ 半原生(语义层单向输入) |
| 内核级重写型 | QueryMind、RAGStack DB、dbt-ai-assistant | 在查询解析器(Parser)前插入意图建模层,动态绑定元数据变更;SQL生成后触发权限收敛引擎与执行沙箱验证 | ✅ 意图→SQL→权限→执行全链路可追溯、✅ 存储过程参数自动映射、✅ 联邦查询自动路由 | ✅ 是 |
关键差异在于反向能力:
- Copilot式工具只能“问→答”,用户修正SQL后,系统无法更新对原始NL意图的理解;
- AI-Native工具如 QueryMind 支持
SQL修正 → NL意图记忆更新 → 下次同类问题精准优化,这是真正意义上的“学习型数据接口”。
🔍 技术锚点:Gartner 2026 Top 5趋势明确指出——“Semantic Layer as AI Runtime”(语义层即AI运行时)将成为数据平台AI化的分水岭。它要求工具必须在不依赖外部向量服务、不穿透生产权限体系、不假设公网连通性的前提下,完成从自然语言到可验证SQL的端到端闭环。
实测方法论:我们如何模拟真实政企数据场景
拒绝“玩具数据集”。本次评测全部基于某省大数据局授权脱敏的政务中台生产镜像环境构建,核心设计原则:信创栈锁定、联邦查询刚性、审计留痕强制。
测试环境硬约束
- 操作系统:银河麒麟V10 SP4(Linux Kernel 5.10.0-109.fc35,ARM64架构)
- 硬件平台:飞腾FT-2000+/64服务器(禁用GPU加速,纯CPU推理)
- 网络策略:全程离线部署,禁止任何工具调用公网Embedding API或LLM服务
- 数据库集群:
- 达梦DM8(V8.1.2.117,政务主库,含372张表、12个物化视图、5类行级权限策略)
- TiDB v7.5.0(电商实时订单库,按天分区,含JSON字段与时间窗口函数)
- Oracle 19c(金融指标库,含PL/SQL存储过程
GET_RISK_SCORE及复杂同义词链)
数据集与NL问法设计
我们构造了12类高危NL问法,覆盖政企真实痛点:
- 嵌套下钻:“查南京市鼓楼区2024年Q3社保缴纳异常人员,再找出其中医保连续断缴超2个月的”
- 同比环比归因:“对比2023与2024年各市‘一网通办’事项平均办理时长变化,分析TOP3波动原因(需关联审批日志与系统负载指标)”
- 权限受限模糊查询:“显示所有待审核的补贴申请(当前用户仅能看本市数据,且不可见申请人身份证号)”
- 存储过程调用:“调用风险评估接口,传入企业统一社会信用代码,返回综合得分及预警等级”
所有敏感字段(身份证、手机号、银行卡号)在入库前已通过国密SM4算法脱敏,工具必须识别DECRYPT()函数调用上下文并保留脱敏逻辑。
📌 关键动作:每条NL查询均强制记录四段式审计日志:
① 原始NL文本→② 意图结构化表示(JSON Schema)→③ 生成SQL及改写链(含别名展开、权限过滤子句注入点)→④ 执行上下文(用户身份、数据库实例、耗时、返回行数)
缺失任一段,即判定为生产就绪度不达标。
六大工具深度横评:准确率不是唯一标尺
我们在相同环境、相同数据、相同审计要求下,对六款工具进行72小时连续压力测试(每工具200轮NL查询,含15%错误修正交互)。结果如下——不只看“首问是否成功”,更看“失败后能否闭环修复”。
① NL→SQL首问准确率(多表JOIN+窗口函数场景)
| 工具 | 准确率 | 典型失败案例 | 归因分析 |
|---|---|---|---|
| QueryMind | 92.3% | 在TiDB跨分区聚合时误用COUNT(*)而非COUNT(1)导致性能抖动 | 优化器主动注入/*+ TIDB_SMJ */提示,但未适配TiDB v7.5新统计信息格式 |
| RAGStack DB | 86.7% | 对Oracle物化视图MV_APP_STATUS识别为普通表,未启用快速刷新路径 | 元数据采集器未解析DBA_MVIEWS.REFRESH_MODE字段 |
| Dataherald | 79.1% | 将“同比”误解为LAG()而非ROUND((cur-prev)/prev*100,2) | 时间函数模板库未覆盖达梦8特有语法SYSDATE-INTERVAL '1' YEAR |
| vanna | 53.2% | 72%失败源于vector_store.add报错:“Connection refused to openai.com” | 离线环境强依赖OpenAI Embedding API,无本地替代方案 |
| dbt-ai-assistant | 68.5% | 在dbt Core v1.8+环境下,对source.yml中meta: {pii: true}字段忽略脱敏指令 | schema diff解析器未读取meta层级配置 |
| sqlcoder-pro | 71.8% | 生成SQL含SELECT *,违反政务库“禁止星号查询”安全策略 | 无SQL注入防护默认开关,规则引擎未激活 |
💡 关键发现:首问准确率Top 2工具(QueryMind/RAGStack DB)均内置“SQL合规预检模块”,自动替换
*为显式字段列表、添加WHERE ROWNUM<=1000防全表扫描。
② Schema理解鲁棒性(别名/注释/物化视图)
| 工具 | 达梦8物化视图识别 | TiDB分区键感知 | Oracle同义词链解析 | 注释驱动字段推断 |
|---|---|---|---|---|
| QueryMind | ✅ 完整支持CREATE MATERIALIZED VIEW ... REFRESH FAST ON COMMIT | ✅ 自动提取PARTITION BY RANGE (dt)字段 | ✅ 解析ALL_SYNONYMS递归层级≤3 | ✅ 识别COMMENT ON COLUMN t.a IS '身份证号(脱敏)' |
| RAGStack DB | ✅ 识别但不启用快速刷新优化 | ✅ 分区裁剪正确率98.2% | ⚠️ 仅支持一级同义词 | ✅ 支持 |
| Dataherald | ❌ 视为普通表 | ❌ 无分区感知 | ❌ 忽略同义词 | ⚠️ 仅支持表级注释 |
| vanna | ❌ 离线向量库未收录MV元数据 | ❌ | ❌ | ❌ |
| dbt-ai-assistant | ✅(依赖dbt docs生成) | ❌(dbt不支持TiDB分区元数据) | ❌ | ✅(依赖dbt meta) |
| sqlcoder-pro | ❌ | ❌ | ❌ | ❌ |
③ 错误修复能力:用户修正SQL后能否反向更新NL意图?
这是AI-Native最核心的判据。我们模拟用户手动修改生成SQL(如增加AND dept_id IN (SELECT id FROM auth_dept WHERE accessible=1)),观察工具是否更新后续NL理解:
- ✅ QueryMind:自动提取新增条件为“部门权限过滤规则”,下次问“我的可审工单”直接注入该子句
- ✅ RAGStack DB:将修正SQL反向编译为意图节点,加入联邦查询路由决策树
- ❌ 其余工具:修正仅作用于单次查询,无记忆、无泛化、无持久化
④ 审计日志完整性(intent→sql→exec→result全链路)
| 工具 | 原始NL留存 | 意图结构化 | SQL改写链 | 权限上下文 | 执行沙箱标记 | 合规评级 |
|---|---|---|---|---|---|---|
| QueryMind | ✅ | ✅(JSON-LD格式) | ✅(含AST diff) | ✅(RBAC+ABAC双模式) | ✅(sandbox_id: dm8-prod-01) | A+(满足等保2.0三级日志留存要求) |
| RAGStack DB | ✅ | ✅(Protobuf序列化) | ✅(含路由决策日志) | ✅(跨源权限收敛日志) | ✅ | A |
| Dataherald | ✅ | ⚠️(仅关键词提取) | ❌ | ❌ | ❌ | B |
| vanna | ❌(仅存最终SQL) | ❌ | ❌ | ❌ | ❌ | C(不满足POC红线) |
| dbt-ai-assistant | ✅ | ⚠️(依赖dbt run日志) | ⚠️(仅显示diff) | ✅(dbt profiles) | ❌ | B+ |
| sqlcoder-pro | ✅ | ❌ | ❌ | ❌ | ❌ | C |
📉 致命短板:vanna在离线环境因无法调用OpenAI服务,审计日志中
intent字段恒为空字符串,某省大数据局POC报告(2026.09)明确标注:“不满足《政务信息系统审计规范》第4.2.1条——必须留存用户原始意图”。
⑤ 信创栈兼容性(达梦8+麒麟V10双栈)
| 工具 | 达梦8 JDBC驱动兼容性 | 麒麟V10内核模块加载 | ARM64二进制支持 | 国密SM4脱敏集成 | 离线向量能力 |
|---|---|---|---|---|---|
| QueryMind | ✅(官方认证驱动v8.1.2.117) | ✅(ko模块签名通过) | ✅(原生ARM64编译) | ✅(内置SM4解密UDF) | ✅(本地FAISS+自研量化) |
| RAGStack DB | ✅(适配达梦JDBC 4.0) | ✅ | ✅ | ✅(调用达梦DECRYPT函数) | ✅(本地HNSWlib) |
| Dataherald | ⚠️(需手动降级JDBC至3.0) | ❌(glibc版本冲突) | ❌(仅x86_64) | ❌ | ❌(强依赖ChromaDB) |
| vanna | ❌(驱动报java.lang.UnsatisfiedLinkError) | ❌ | ❌ | ❌ | ❌ |
| dbt-ai-assistant | ✅(dbt-dm插件v1.2.0) | ✅ | ✅ | ⚠️(需自定义macro) | ✅(dbt seed静态向量) |
| sqlcoder-pro | ❌(无达梦方言支持) | ❌ | ❌ | ❌ | ❌ |
⑥ 生产就绪度(连接池/并发/安全)
| 工具 | 连接池管理 | 并发限流 | SQL注入防护默认开关 | 执行超时熔断 | 达梦存储过程调用 |
|---|---|---|---|---|---|
| QueryMind | ✅(HikariCP,自动连接泄漏检测) | ✅(QPS+并发数双阈值) | ✅(OWASP CRS规则集内置) | ✅(可配置毫秒级) | ✅(支持CALL GET_RISK_SCORE(?)) |
| RAGStack DB | ✅(Druid) | ✅(基于令牌桶) | ✅(参数化预编译强制) | ✅ | ✅(自动匹配IN/OUT参数) |
| Dataherald | ⚠️(HikariCP但无泄漏监控) | ❌ | ❌(需手动加?占位符) | ⚠️(仅全局timeout) | ❌ |
| vanna | ❌(无连接池抽象) | ❌ | ❌ | ❌ | ❌ |
| dbt-ai-assistant | ✅(dbt-core连接池) | ✅(dbt threads配置) | ✅(dbt Jinja沙箱) | ✅ | ⚠️(需编写macro包装) |
| sqlcoder-pro | ❌ | ❌ | ❌ | ❌ | ❌ |
信创落地关键发现:谁真正通过了POC红线?
我们交叉验证了某省大数据局政务中台升级项目与某城商行风控数据湖POC报告(均已获授权脱敏引用),提炼出三条硬性红线——未全部满足者,不得进入采购短名单:
红线1:达梦8存储过程级NL生成能力
- 通过者:QueryMind(唯一支持)
- 场景:用户问 “调用企业风险评估接口,输入统一社会信用代码123456789012345678,返回综合得分”
- 结果:自动生成
CALL GET_RISK_SCORE('123456789012345678', ?, ?)并绑定OUT参数至结果集
- 失败者:其余五款工具均无法解析PL/SQL存储过程签名,或需人工编写mapping规则(违反“零配置NL交互”原则)
红线2:联邦查询SQL自动路由与跨源权限收敛
- 通过者:RAGStack DB
- 场景:“查南京市所有社保异常人员的最新订单金额(数据分散在达梦政务库+TiDB电商库)”
- 实现:自动识别
PERSON_ID为跨源关联键 → 路由达梦查身份 → 提取ID列表 → 推送TiDB执行IN (...)→ 对TiDB结果集按达梦中的用户角色二次过滤(如:某区管理员仅见本区订单)
- 失败者:Dataherald需人工指定
source: tidb;vanna因离线失败直接跳过;dbt-ai-assistant不支持跨dbt project联合查询
红线3:离线环境向量能力可用性
- 通过者:QueryMind、RAGStack DB、dbt-ai-assistant(三者均提供本地向量引擎)
- 致命失败:vanna
据某省大数据局POC报告(2026.09):“在完全断网、禁用代理、关闭DNS的麒麟V10环境中,vanna初始化失败率达42.7%,根本原因为
vector_store.add()硬编码调用https://api.openai.com/v1/embeddings,无fallback机制。不满足信创‘自主可控’基本要求。”
🔑 总结:AI-Native不是技术概念,而是交付承诺——承诺在国产芯片、国产OS、国产数据库、无公网的四重约束下,仍能交付可审计、可管控、可扩展的数据智能接口。
选型决策树:按你的场景一键匹配
别再纠结参数表。用这三步,10秒锁定最适合你的工具:
【第一步】你是否需要审计留痕?
- ✅ 是(如:政务、金融、医疗等强监管行业)→ 立即排除
sqlcoder-pro和vanna- 理由:二者审计日志缺失
intent与权限上下文字段,不满足等保2.0三级日志留存强制要求
- 理由:二者审计日志缺失
- ❌ 否 → 进入第二步
【第二步】是否运行在纯国产芯片+麒麟OS?
- ✅ 是(飞腾/鲲鹏+麒麟V10)→ 优先考察
QueryMind或RAGStack DB- 依据:二者是唯二通过达梦8+麒麟V10双栈认证、支持ARM64原生部署、内置国密SM4的工具
- ❌ 否(x86_64+CentOS/Ubuntu)→ 进入第三步
【第三步】是否已重度使用dbt?
- ✅ 是(dbt Core v1.8+,模型超200个,CI/CD已固化)→
dbt-ai-assistant是最低风险渐进方案- 优势:复用现有
sources.yml/models/结构,NL提问自动映射到dbt节点,权限继承dbt profiles - 注意:需自行开发macro处理达梦存储过程调用(非开箱即用)
- 优势:复用现有
- ❌ 否(或使用其他BI/ETL栈)→ 回归第一步结论:选
QueryMind(强监管/高安全)或RAGStack DB(多源联邦/高弹性)
【终极加分项】是否要求NL意图持久化学习?
- ✅ 是 → 当前仅
Dataherald支持(但需接受其信创兼容性缺陷) - ⚠️ 但请注意:Dataherald的“学习”仅限单会话内缓存,不支持跨用户意图共享、不支持离线增量训练、不满足审计日志完整性要求——若需真·生产级意图记忆,等待QueryMind 2.3版(2026 Q4 GA)的联邦学习意图图谱功能。
🧭 最后提醒:在信创环境中,“能跑通”只是起点,“可交付”才是终点。务必在POC阶段验证三件事:
- 权限收敛是否真实生效(用低权限账号实测越权访问);
- SQL注入防护是否默认开启(尝试输入
'; DROP TABLE users; --);- 离线向量能力是否完整(拔网线后执行10次NL查询,检查成功率与日志完整性)。
没有这三项验证的POC,都是纸面交付。