博客 / 詳情

返回

基於AI Agent模板：快速生成 SQL 測試數據

DigitalOcean 雲平台一直在不斷研發以代碼為核心的項目，幫助用户快速構建可投入生產的應用程序，並能根據自己的需求進行擴展。

DigitalOcean 的 Gradient™ ​AI​​ 平台近期推出了 Agent Templates（智能體模板），為開發者提供了即插即用的 AI 工具。 本文將以 SQL​ Agent 模板 為例，演示如何擴展它，實現自動生成安全測試數據和 SQL 插入腳本的功能，讓數據庫測試更快、更智能、更安全。

什麼是 Agent Templates（智能體模板）？

Gradient AI 平台是 DigitalOcean 提供的一個一體化 AI 雲服務平台，覆蓋從生成式模型調用、智能 Agent 構建、GPU 服務器（如 H200、H100、RTX 6000 等按需/裸金屬）、到 Serverless 推理服務的完整流程。

Agent Templates 是在 DigitalOcean Gradient ​AI​​ 平台 上構建的、以代碼為核心的即插即用入門套件。

每個模板都是一個 Python 項目，你可以在幾分鐘內克隆、配置並部署。無論是構建 SQL 查詢助手、客服 Bot 還是文檔問答系統，只需克隆模板、配置少量參數，就能立即部署到生產環境。

以下是當前可用的模板：

模板 功能 主要技術特性
LLM Auditor Agent 通過 Tavily API 搜索網絡，並可選地使用結構化外部知識進行驗證，為 LLM 添加驗證或事實核查層。 • 集成 Tavily API• 支持可選的知識庫（KB）接地以獲得更可靠的回答
Product Documentation Agent 利用產品文檔構建支持型聊天機器人，使用户可以提問並從文檔中獲取準確答案。 • 基於嵌入的文檔檢索• 聊天記錄 / 對話上下文支持• 可處理任意產品文檔
SQL Agent 將自然語言提示轉換為針對 MySQL 數據庫的 SQL 查詢（只讀），動態檢索架構並執行安全查詢。 • 架構自省，識別表和字段結構• 只讀查詢防護• 自然語言到 SQL 轉換並帶安全校驗
Twilio API Agent 通過 Twilio 發送短信（營銷或事務性），並可實現自動化消息流邏輯。 • 集成 Twilio SDK/API• 可插拔消息邏輯

你可以直接使用這些模板，也可以直接在此基礎上擴展功能，無需從零配置環境或重寫推理邏輯，從而極大地縮短智能體開發週期。

合成數據生成服務的工作原理

合成數據生成服務用於創建逼真的模擬數據集，用於測試和開發。

它採用一個編排的微服務架構，由以下四個層組成：

當有人點擊 “Generate Data（生成數據）” 按鈕，或輸入類似 “Generate 10 mock users（生成 10 個模擬用户）” 的自然語言請求時，系統會這樣工作：

  1. 用户輸入處理層

通過聊天界面或手動配置捕獲用户請求，提取諸如數據類型、記錄數和輸出格式等參數。

  1. AI 驅動的請求解析層

利用 DigitalOcean Gradient ​AI​​ 平台 理解自然語言請求，並確定合適的數據生成策略，包括安全驗證，確保不會訪問生產數據。

  1. 合成數據生成引擎

接收解析後的請求，使用 Faker 庫 創建具有真實字段類型、關係和約束的模擬數據。 該引擎可生成用户、訂單、支付、產品及自定義數據結構。

  1. 多格式輸出層

將生成的數據轉換為用户請求的格式（SQL INSERT 語句、CSV 或 JSON），並以實時預覽和下載選項的形式呈現。

詳細數據流示例

當用户請求 “Generate 10 mock users with random names and emails（生成 10 個隨機姓名和郵箱的模擬用户）” 時，系統執行以下步驟：

  1. 用户輸入處理 Streamlit 界面捕獲請求並提取參數（count=10，data\_type=users，fields=[‘name’, ‘email’]）。
  2. AI​ 請求解析 Gradient AI Agent 處理自然語言請求，確定需要生成用户數據並滿足特定字段要求。

  3. 數據生成引擎 SyntheticDataGenerator 使用 Faker 生成 10 條真實感用户數據：

    1. 生成真實姓名，如 “John Smith”、“Sarah Johnson”
    2. 生成有效郵箱地址，如 john.smith@email.com
    3. 添加電話號碼、地址和時間戳
    4. 保證數據關係與約束條件成立

  4. 格式轉換 系統將生成的數據轉換為所需格式：

    1. SQL：生成可直接執行的 INSERT 語句
    2. CSV：格式化為可導入表格的數據
    3. JSON：結構化為可供 API 調用的數據

  5. 安全驗證 所有生成數據均經過驗證以確保：

    1. 未訪問任何生產數據
    2. 防止 SQL 注入
    3. 遵守記錄數量限制
    4. 保持數據完整性

  6. 用户展示 最終數據在網頁界面展示，包含：

    1. 實時預覽表格
    2. 各格式的下載按鈕
    3. 複製到剪貼板功能
    4. 成功生成的確認提示

構建數據生成器

步驟 1：配置 DigitalOcean Gradient AI 憑證

在擴展 SQL Agent 模板前，需要配置你的 DigitalOcean Gradient AI 憑證。

這對實現 AI 驅動的自然語言處理功能至關重要。

  1. 在 cloud.digitalocean.com 註冊 DigitalOcean 賬户
  2. 在控制枱進入 “Agent Platform” 部分
  3. 創建新工作區或使用已有工作區並新建一個 Agent（可參考指南中的步驟）
  4. 創建後，前往 Gradient AI 工作區設置，獲取 API 訪問令牌並記錄工作區 ID

控制枱中 DigitalOcean Gradient AI Agent 示例如下：

步驟 2：擴展 SQL Agent 模板

接下來，我們將為 DigitalOcean 的 SQL Agent 模板增加合成數據生成功能。

基礎模板已提供安全 SQL 查詢執行與架構自省功能，我們在此基礎上增強數據生成能力。

核心擴展架構：

增強版 SQL Agent 通過集成合成數據生成器並更新系統提示來處理數據生成請求。 它保留了原有 SQL 功能，同時新增了數據生成的自然語言處理能力。 完整代碼位於 src/agent.py。

步驟 3：構建合成數據生成引擎

擴展的核心是 SyntheticDataGenerator 類，利用 Faker 庫 生成逼真的模擬數據。 它支持多種數據類型（用户、訂單、支付、產品），可通過參數配置生成邏輯。

class SyntheticDataGenerator:
    def __init__(self, locale='en_US'):
        self.fake = Faker(locale)
    
    def generate_users(self, count=10, fields=None):
        users = []
        for i in range(count):
            user = {
                'id': i + 1,
                'name': self.fake.name(),
                'email': self.fake.email(),
                'phone': self.fake.phone_number(),
                'address': self.fake.address(),
                'created_at': self.fake.date_time_between(start_date='-2y', end_date='now')
            }
            users.append(user)
        return users
    
    def generate_orders(self, count=10, amount_range=(10, 1000), year=2024):
        orders = []
        for i in range(count):
            order = {
                'id': i + 1,
                'user_id': self.fake.random_int(min=1, max=count),
                'amount': self.fake.random_int(min=amount_range[0], max=amount_range[1]),
                'status': self.fake.random_element(elements=('pending', 'completed', 'cancelled', 'shipped')),
                'order_date': self.fake.date_between(start_date=f'{year}-01-01', end_date=f'{year}-12-31'),
                'product_name': self.fake.catch_phrase(),
                'quantity': self.fake.random_int(min=1, max=10)
            }
            orders.append(order)
        return orders

完整代碼位於 src/synthetic_data_generator.py。

數據生成工作原理：

  1. Faker 庫集成： 使用 Faker 提供的 200+ 數據生成器，生成姓名、地址、郵箱、電話號碼、日期等真實感數據。
  2. 可配置字段生成： 每種數據類型（用户、訂單、支付、產品）都有特定字段生成邏輯，以保持真實關係與約束。
  3. 區域支持： 支持多種區域（如 en\_US、en\_GB）生成對應地區風格的數據。
  4. 參數化生成： 可通過參數（數量、日期範圍、金額範圍、字段選擇）定製生成結果。

步驟 4：實現多格式輸出支持

系統將生成的數據轉換為多種格式，以適應不同場景。

以下為 SQL 轉換示例：

def to_sql_inserts(self, data, table_name):
    if not data:
        return []
    
    columns = list(data[0].keys())
    column_str = ', '.join(columns)
    insert_statements = []
    
    for record in data:
        values = []
        for col in columns:
            value = record[col]
            if value is None:
                values.append('NULL')
            elif isinstance(value, str):
                escaped_value = value.replace("'", "''")
                values.append(f"'{escaped_value}'")
            elif isinstance(value, datetime):
                values.append(f"'{value.strftime('%Y-%m-%d %H:%M:%S')}'")
            else:
                values.append(str(value))
        
        values_str = ', '.join(values)
        insert_stmt = f"INSERT INTO {table_name} ({column_str}) VALUES ({values_str});"
        insert_statements.append(insert_stmt)
    
    return insert_statements
def to_csv(self, data):
    df = pd.DataFrame(data)
    return df.to_csv(index=False)
def to_json(self, data):
    return json.dumps(data, indent=2, default=str)

輸出生成原理：

  1. SQL​ INSERT 生成： 將每條記錄轉換為格式化的 SQL INSERT 語句，並處理轉義與數據類型。
  2. CSV​ 導出： 使用 pandas DataFrame 將數據轉換為 CSV，確保編碼和格式正確。
  3. JSON​ 導出： 將數據轉換為 JSON，正確序列化日期時間和複雜類型。
  4. 安全校驗： 所有輸出格式都包含安全檢查，防止 SQL 注入並保持數據完整性。

示例輸出：

INSERT INTO users (id, name, email, phone, address, created_at) VALUES (1, 'John Smith', 'john.smith@email.com', '+1-555-123-4567', '123 Main St, Anytown, ST 12345', '2023-06-15 14:30:22');
INSERT INTO users (id, name, email, phone, address, created_at) VALUES (2, 'Jane Doe', 'jane.doe@email.com', '+1-555-987-6543', '456 Oak Ave, Somewhere, ST 67890', '2023-07-22 09:15:45');

步驟 5：創建增強版 Agent 界面

增強版 Agent 將基礎 SQL Agent 的功能與合成數據生成結合，能解析自然語言請求、提取參數並路由到相應的數據生成函數。

相關代碼位於 src/agent.py 文件。

最後，將整個應用整合進一個簡單的 ​Streamlit ​UI​，其完整代碼可在 GitHub 倉庫中找到。

這是一個簡單的示例，展示瞭如何擴展 SQL Agent 模板。

你可以直接使用這種集成方式，或進一步擴展以構建自己的版本。

寫在最後

本教程展示瞭如何使用這些現成模板來滿足你公司或項目的需求。

這些模板的魅力在於，它們為你提供了堅實的基礎，你只需確定自己要解決的問題，並在其上添加相應功能即可。

以下是一些可在其他模板基礎上擴展的思路：

  • LLM Auditor Agent： 為你的內容添加事實核查功能，或與公司知識庫集成
  • Product Documentation Agent： 擴展以支持多種文檔類型（PDF、視頻、內部 Wiki），或增加多語言支持
  • Twilio ​API​​ Agent： 構建自動化客户支持流程或營銷活動自動化

如果你還需要了解更多關於 DigitalOcean GPU 服務器及 AI 相關產品服務，可諮詢 DigitalOcean 中國區獨家戰略合作伙伴卓普雲。訪問卓普雲官網 aidroplet.com，可閲讀更多相關產品信息與教程內容。

MySQL , 教程 , 數據庫 , 人工智能
user avatar
0 位用戶收藏了這個故事！

發佈 評論

Some HTML is okay.