你的 AI 代理需要你的数据。如何保护它——杰夫·史密斯 (Jeff Smith)，甲骨文 (Oracle)

Highlights

• 甲骨文数据库在内部原生支持向量、关系型表和列以及图数据，使企业能够跨多个平台构建统一的 SQL 接口.

• 直接依赖大语言模型将自然语言转换为 SQL 存在风险，因为模型可能会返回表面正确但逻辑错误的查询结果.

• 通过在数据库中预先配置和描述带参数的报告，系统可以有效降低大语言模型在生成代码时出错的概率.

• 数据库层面的深度安全机制能够在将数据返回给智能体之前，根据用户的单点登录角色动态剥离未授权的敏感数据.

• 甲骨文通过 MCP（模型上下文协议）服务器将文档、模式元数据以及性能调优工具直接暴露给代理进行调用.

Timeline

1. 00:00 - 05:07

   甲骨文 AI 数据库与向量支持概述

   演讲者介绍了甲骨文数据库在人工智能时代的演进。通过在单个数据库实例中原生集成向量和图数据，企业无需在多个不同平台上复制数据。借助于模型上下文协议（MCP），智能体能够更加高效且安全地连接并调用数据库资源.

   • 甲骨文数据库内部原生支持向量、关系型数据以及图检索增强.
   • 数据库能够将各类业务数据与向量进行结合，提供单一的 SQL 接口.
   • MCP 服务器充当了连接数据库与 AI 智能体的重要桥梁.
2. 05:07 - 11:30

   自然语言转 SQL 的风险与报告驱动方案

   虽然自然语言转 SQL 带来了极大的便利，但其可靠性常常受到质疑。大语言模型容易写出看似能编译但实际业务逻辑完全错误的查询。因此，更稳妥的做法是将硬编码的报表和带有参数的查询作为工具提供给代理调用，从而大幅减少错误发生率.

   • 让大语言模型直接盲目生成临时 SQL 查询存在逻辑错误和高昂的 Token 消耗.
   • 通过将企业内部现有的报告导入数据库并作为工具暴露给代理，能够避免生成错误的 SQL 代码.
   • MCP 工具允许代理通过关键词搜索并执行特定的业务报告.
3. 11:30 - 14:56

   运维支持与只读环境的代理应用

   在处理生产系统的性能问题时，不应直接让大语言模型进入生产环境进行破坏性操作。利用数据卫士等技术提供只读的备用实例，可以让代理在安全的环境中协助排查问题。同时，权限控制必须扎根于数据库底层，防止绕过工具层的安全风险.

   • 运维人员可以通过只读的备用实例让代理协助调查和诊断性能问题.
   • 数据库安全应该在数据库层面实现，而不是仅仅依赖客户端工具.
   • 通过整合 چند 个跨类别的多功能工具，代理可以执行性能配置文件报告和统计信息收集.
4. 14:56 - 21:27

   模式探索、文档编制与数据安全机制

   为了解决新员工和 AI 机器人理解复杂数据库结构的痛点，系统将文档和模式信息转换为纯文本并进行优化。最后，通过企业的单点登录系统对访问者身份进行验证，数据库在动态执行查询时自动过滤敏感信息，确保企业数据的安全性.

   • 系统能够扫描并消费 Confluence 页面、PDF 等文档，在数据库中生成压缩的模式元数据.
   • MCP 协议与具体使用的大语言模型无关，适用于各种外部开发工具.
   • 数据库会根据用户的单点登录和角色信息，在返回结果前动态剥离无权查看的数据.