用 DatI + WorkBuddy 零代码构建带数据库的 Agent 轻应用

大模型接入企业数据库（Text-to-SQL / Database Agent），在当下的行业实践中几乎被等同于只读分析工具：用户在聊天框里问一个指标，Agent 查库后吐出一段文本或一个图表。

然而，一旦剥离了真实的业务动作，“只读”往往会沦为玩具。在很多场景下，用户不仅需要查数据，更需要随时随地沉淀数据（CRUD 闭环）。

这个国庆假期，我用自己开源的数据库语义网关 DatI (Data Intelligence) 跑通了一个最小化闭环：将一个专属 MySQL 数据库发布为 MCP 服务，配合微信小程序端运行的 Agent（WorkBuddy），搭建了一个“伴侣日记与假期记录”轻应用。

整个旅途中通过微信发文字或发订单截图自动记账入库；假期结束时，Agent 直接查库完成统计复盘，并一键渲染生成了一个 PC 端交互式日程看板。

本文从架构与工程落地角度，复盘这种“零代码写后端”的 Agent 轻应用范式。

一、交付物：国庆六天日程看板

假期结束时，给 Agent 输入一句需求：“汇总国庆期间所有的足迹、消费和吵架记录，按天梳理并分析花费结构和体验。”

Agent 通过语义网关执行 SQL 聚合，直接生成了一个独立的响应式 HTML 看板：

看板呈现了多维度的结构化洞察：

1. 核心 KPI：6 天、32 条足迹、总花费 ¥6,693.99（日均 ¥1,116）、平均体验评分 3.16、3 次小摩擦复盘；
2. 六日时间线流：深圳（东门、邓紫棋演唱会）⇄ 泉州（开元寺、清源山、蟳埔村等）的每日行程明细与单笔账单；
3. 结构化统计下钻：交通住宿占 60%（¥3,988）、演出娱乐占 26%（¥1,768）、餐饮探店占 14%（¥938）；自动提炼 4 处高光（演唱会满分、盐烧番鸭等）与 3 处低于预期项目；
4. 小摩擦复盘：归因 3 次 1 级拌嘴记录的起因与破冰方式。

从数据采集、结构化落库，到即席聚合与前端展示，整个流程没有手写一行业务后端代码。

二、架构设计：数据库是后端，DatI 是语义网关

传统开发模式下，做一个记账与日记系统需要：建表 → 写 CRUD REST 接口 → 做前端管理页面 → 维护状态与鉴权。

而在 Agent + MCP 体系下，架构被重塑为三层：

[ 交互前端 ] 微信小程序 (文字随手记 / 票据与订单截图)
     │
     ▼
[ Agent 宿主 ] WorkBuddy (多模态 OCR + 意图识别 + 参数提取)
     │  (标准 Streamable HTTP MCP 协议)
     ▼
[ 语义网关 ] DatI (Data Intelligence)
     ├── 业务语义增强 (表名/列注释/枚举倒排检索)
     ├── 参数化 SQL 模板 (确定性的写操作工具：add_moment, add_conflict)
     └── 受控 SQL 执行器 (即席分析，防高危操作与超时熔断)
     │
     ▼
[ 生产存储 ] MySQL (couple_moment 生活足迹表 + conflict_record 矛盾复盘表)

1. 数据建模（MySQL）

仅需在底层定义好核心实体表：

• couple_moment：记录时间、标题、分类枚举（DINING、MOVIE、TRAVEL、DAILY）、消费金额 cost、体验评分 rating（1~5）、文字感受 content。
• conflict_record：记录发生时间、矛盾起因 reason、破冰人 peacemaker、严重级别 severity（1~5）、和好约定 agreement。

2. 为什么写操作不能让大模型自由裸写 SQL？

许多开发者尝试给 Agent 开放 execute_sql 工具来做写入，但在生产实践中极不可靠：

• 格式漂移：大模型生成的日期格式不固定、枚举大小写不一致、金额误带货币符号；
• 越权与误伤：生成的 UPDATE 或 DELETE 一旦遗漏 WHERE 条件，极易全表覆盖；
• 长上下文衰减：多轮对话后模型容易遗忘字段约束与外键关系。

3. DatI 的工程解法：参数化 SQL 模板

DatI 的核心能力之一，是将高频写操作通过参数化模板暴露为结构严谨的原子工具（Custom Tools）：

INSERT INTO couple_moment 
  (title, category, cost, rating, start_date, end_date, content, recorder)
VALUES 
  (:title, :category, COALESCE(:cost, 0), COALESCE(:rating, 3), 
   :start_date, COALESCE(:end_date, :start_date), :content, :_user.name);

• 类型受控：DatI 自动生成严格的 JSON Schema。大模型仅负责理解用户意图并“填槽”提取入参，核心 SQL 骨架与参数类型由网关强制校验；
• 零代码发布 MCP：配置好模板与语义别名后，在 DatI 后台一键发布为标准 Streamable HTTP 接口，外部 Agent 填入 URL 与 Token 即插即用。

三、端到端交互链路

1. 多模态低阻力采集（写操作）：
   旅途中无需打开电脑后台，在微信小程序中直接发送：
   • 随手记：“中午在全牛馆吃了99块，牛杂还行打了3星。” → Agent 提取参数并调用 DatI 的 add_moment 工具入库；
   • 发截图：发送高铁退改签或外卖订单截图 → Agent 通过 OCR 提取车次、站点与金额，自动写入账单；
   • 闹矛盾：“刚才晾衣服闹了点小情绪，聊了会儿和好了。” → 自动沉淀至 conflict_record。
2. 即席多维聚合（读操作）：
   假期结束时，利用自然语言触发跨表聚合统计。DatI 注入业务语义与字段别名，Agent 准确生成聚合 SQL 完成指标计算。
3. 动态全栈交付（看板生成）：
   Agent 将统计结果与时间线数据作为上下文，直接写出具备现代 UI 样式的独立 HTML 看板。

四、工程启示

这个案例证明了一条清晰的技术路径：

在 Agent 时代，数据库负责纯粹的持久化，DatI 负责语义转译与安全受控网关，Agent 负责灵活的交互与界面生成。

不论是个人日记与记账，还是企业中的研发值班故障复盘、一线销售拜访记录、敏捷 Sprint 追踪，过去需要耗费数天编写的前后端 CRUD 流程，现在都可以压缩为“建两张表 + 5分钟配置 DatI 网关”。

• 开源地址：https://github.com/yimindev/dati