KeyFrame內部研究專用

Giving AI agents visibility into SQL Server with MCP | Data Exposed MVP Edition

Microsoft Developer22 min英文
觀看原始影片

三句話摘要

通過 MCP (Model Context Protocol) 服務器將 SQL Server 系統管理與數據查詢能力暴露給 AI 代理,實現自然語言交互與跨實例管理。 MCP 的真正價值不在於讓 AI 代理更自由,而在於通過受控的工具暴露、細粒度權限管理與技能文件,在保持安全防護的前提下實現自然語言驅動的系統自動化。 MCP 帶來的控制機制

重點整理

  1. MCP 帶來的控制機制

  2. MCP 允許開發者和 DBA 將自己編寫的代碼暴露給 AI 代理,代理僅能透過預定義工具執行任務。這與直接授予代理系統存取權限根本不同,確保每次執行都受到人工定義的查詢控制,而非代理自主構造 SQL 語句。

  3. 服務發現與跨實例管理

  4. 系統能自動發現環境中所有 SQL Server 實例,並將 28 種 DBA 工具(涵蓋監控、性能調優、索引統計、等待統計等)進行並行查詢。代理基於自然語言描述自動選擇適當工具,開發者無需知道具體工具名稱。

  5. 雙層應用場景

  6. DBA 側專注系統管理與故障排查,提供只讀存取;開發者側透過 Data API Builder 執行數據變更,支持讀寫更新操作,體現了角色分離的安全設計。

  7. 技能文件與業務規則編碼

  8. 可透過技能文件(skill files)向代理注入企業環境的最佳實踐與業務規則,使代理在執行查詢時自動套用這些規則評估風險。

實用技巧與重點

  • 工具與平台
  • MCP (Model Context Protocol)
  • SQL Server DBA MCP Server(28 個工具)
  • Data API Builder
  • GitHub Copilot in VS Code
  • Docker Compose
  • 具體工具清單
  • 發現類:List Instances、Get Server Info
  • 健康類:Health Snapshots
  • 性能類:Wait Stats、Active Sessions
  • 優化類:DOP 設置、Cost Threshold for Parallelism
  • 數據管理:Product 表、Orders 表、Categories
  • 關鍵數據與配置
  • 並行查詢限制:5 個實例為單位
  • 演示環境:2 個 SQL Server 容器 + 2 個 MCP 服務器容器
  • 數據库配置:SQL Server 2025 CU3
  • 業務場景:家具類庫存警示、15% 折扣應用

結論

MCP 的真正價值不在於讓 AI 代理更自由,而在於通過受控的工具暴露、細粒度權限管理與技能文件,在保持安全防護的前提下實現自然語言驅動的系統自動化。

完整解析

Anthony Nocentino 以 Everpure 的架構師身份展示了一套整合 MCP 與 SQL Server 的完整解決方案。問題源於 Data API Builder 雖然功能強大,卻僅聚焦應用開發者與數據庫用戶交互,無法滿足系統 DBA 進行故障排查與配置發現的需求。因此他決定構建 DBA 側的 MCP 服務器,將社區貢獻的 DMV 查詢包裝成代理可調用的工具。

整個系統採用 Docker 部署,啟動單一命令即可獲得完整環境。系統核心優勢在於代碼控制:DBA 預先定義所有允許執行的查詢,代理只能透過這些工具與系統互動,不能自主編寫 SQL。演示中,代理接收「檢查 SQL Server 一的健康狀態」自然語言命令,自動調用適當工具並聚合結果,發現默認成本門檻設定與並行度設置需要優化、日誌文件過大等問題。

開發者側則展示 Data API Builder 的細粒度存取控制——能針對每張表和存儲過程指定讀寫權限。代理在不知道具體 REST 端點的情況下,僅用自然語言「顯示庫存少於 50 單位的產品」就能執行複雜查詢,甚至識別出家具類面臨缺貨風險。系統更支持變更操作,演示中自動對所有家具商品應用 15% 折扣。

最後 Anthony 強調安全第一。他分享了一個關鍵事件:某次代理收到有缺陷的代碼後,試圖繞過控制直接調用 REST 端點。幸好這發生在實驗環境,突顯了多層防護的必要性:代碼級別的工具控制、UI 級別的批准按鈕、以及代理框架內的安全政策。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。