数据库 MCP 服务的功能边界怎么划
Infino 以其提供 15 个工具的 MCP 服务为例,讨论检索、写入与数据处理能力的取舍。文章介绍在同一张表上支持关键词、语义和 SQL 查询的设计,并警惕服务不断扩张带来的维护负担。
AI 深度解读
数据库接上 MCP,第一版往往只需要搜索和 SQL,后面却很容易长成另一个产品:自动推断表结构、补上 upsert、处理大文件,再加预演模式。Infino 团队的选择是主动收缩,只暴露数据库已有能力,把额外逻辑压到最低。
这篇文章值得读的地方,不是它提供了 15 个工具,而是它解释了哪些功能应该留在数据库、Agent 或导入流水线里,以及一次真实的 Agent 测试,怎样暴露工具描述里的误导。
同一份数据,为什么要提供多种查询工具
Agent 查数据,至少有三种需求:按错误码、函数名找精确内容;按意思找措辞不同的段落;通过过滤、计数和关联回答结构化问题。常见方案是全文索引、向量库和 SQL 数据库各管一块,再维护同步任务。
Infino 把这些能力放在同一张表里,底层是内含搜索索引的 Parquet 文件。MCP 层因此不需要在多个后端之间路由:
infino_keyword_search、infino_semantic_search、infino_hybrid_search负责对结果排序。infino_token_match、infino_exact_match、infino_count负责匹配、过滤和计数。infino_sql查询同一批行,还可以在 SQL 中调用引擎搜索函数,先按相关性检索,再分组或关联。
实际价值是数据口径一致。Agent 先按语义找到产品说明,再统计提到该产品的记录,两次查询读的是同一份数据,不必担心索引同步滞后。
但这里有个前提:统一检索能力已经由 Infino 引擎提供。MCP 层只是把它暴露出来,不能据此推导出任何数据库都能轻松合并这三套系统。
薄封装也要补齐缺口,但权限不能只靠开关
团队最初的规则是:一个原生绑定方法对应一个工具,不增加自己的行为。唯一打破规则的地方是嵌入向量(embedding)。
Infino 能存储和搜索向量,却不生成向量。于是 MCP 服务使用 transformers.js 在本地运行 all-MiniLM-L6-v2,为写入文档和搜索问题生成向量,确保两端采用同一模型。它不需要额外的 embedding API key;文章明确说,向量化过程中的文本不离开本机,连接 Infino Cloud 时,该步骤发送的是生成后的向量。这不能扩大理解为所有写入内容都不上传。
创建表时,Agent 只需指定 vector: true。服务会按自身模型的维度添加 embedding 列和 cosine 索引,不让 Agent 猜维度。原因很实际:维度猜错,可能等到后续搜索时才报错,定位问题会更困难。
写权限的处理则走了相反方向。早期版本通过 INFINO_MCP_ENABLE_WRITES 默认关闭写入,团队在 9 月移除了它,也没有另加只读开关;原文没有交代年份。
Cloud 端由 API key 的能力决定是否允许写入,只读 key 会被拒绝,并向 Agent 返回需要写权限的提示。每个工具还提供 readOnlyHint 和 destructiveHint,供客户端判断何时要求用户确认。本地使用时,则要求把服务指向允许 Agent 修改的数据。
权限校验和操作提示承担不同职责,提示不能代替权限。
不做 upsert,是为了不隐藏它做不到的保证
写入流程很短:创建表,然后通过 infino_add_documents 每次追加几十行。每次调用是一次提交,缺少向量的行会一起批量生成 embedding。替换记录则先按 key 删除,再重新添加;删除前先统计匹配数量。
团队没有把这套流程包装成 upsert,因为服务端模拟需要读取、比较和两次写入,而这些步骤合起来并不具备原子性。一个叫 upsert 的工具,却可能在删除成功、添加失败后留下缺口,工具名就会暗示它无法兑现的保证。
其余删减也围绕职责边界展开:
- 不推断 schema。Agent 必须提供明确的列描述,文档出现未声明字段就报错,避免第一批数据推断出的类型被第二批推翻。
- 不处理大上传的拆分、续传和进度。单次工具调用只有几十篇文档,完整语料导入交给 Infino CLI 的
infino ingest或 SDK。 - 不做文件切块和 dry-run。这些能力有用,但由 Agent 或导入流水线承担。
他们把省下来的精力放在返回结果上。语义搜索返回 distance,越小越接近;关键词和混合搜索返回 relevance,越大越相关。每份搜索响应通过 score_kind 标明分数类型,防止 Agent 混着比较。不过,标清方向不代表不同工具的分数就能直接换算。
服务也取消了文本截断,命中结果返回完整列值。控制体积交给 columns 和 k:需要引用就取 id、行范围,需要阅读就取全文,返回太多就减少字段或结果数。这样至少不会因为服务擅自截断,恰好丢掉回答需要的后半段。
我的判断
我赞同它对「隐藏行为」的警惕。尤其是非原子的 upsert 模拟,把多个步骤藏进一个名字,容易让调用者误判失败后的状态。显式 schema 也比悄悄扩列更容易检查,但代价是脏数据整理和字段映射需要上游处理。
不过,「保持薄封装」并不自动等于工具好用。数据库方法适合程序调用,Agent 还需要从描述里判断该选哪个。原文的测试正好证明了这一点。
发布写工具前,作者让一个无界面的 coding agent 从全新的 Infino Cloud 数据库开始,只允许调用 Infino 工具,完成导入、修改删除、检索问答和重置四类任务。四类都正确完成,每类用了 6 到 10 次调用,作者称没有浪费调用。
但查字面词时,Agent 选择了 SQL LIKE 和 infino_token_match;重置时,它删除全部行,而没有删除表。这些做法都有效,却偏离团队预期,暴露了工具描述没有起到预想的引导作用。
这组测试支持「这些任务可以完成」,还不足以证明这套设计普遍更优。
文章没有给出重复测试次数、Agent 型号,也没有和其他工具设计做对照。取消截断、移除写入开关是否适合普通团队,仍然要结合文本长度、权限体系和客户端行为判断。相比提供更高层的任务工具,逐方法暴露更容易保持行为一致,但可能需要 Agent 自己组合更多步骤,这是明确的取舍。
能拿来做什么
- 给前端或 Node 项目接数据库 MCP 时,先把精确匹配、语义检索和统计查询分别写进工具说明,并解释分数方向,减少 Agent 仅凭名字选工具的机会。
- 如果准备封装「替换记录」,先检查数据库是否提供原生事务或 upsert;只能先删后加时,就明确暴露失败边界,并在删除前核对匹配数量。
- 把少量交互写入和完整语料导入分开设计,前者使用小批次工具调用,后者走 CLI 或 SDK,让文件切块等流程留在导入链路。
- 在上线 AI 编程工作流前,用空数据库跑完导入、修改、查询和重置,记录实际工具选择;结果正确但路径意外时,也要回头检查描述是否清楚。