导数工具使用中的难题

在实际使用  #导数工具 进行数据导入的过程中，用户普遍面临以下四类核心问题：

1、文本文件格式多样，易引发解析错误

上游系统提供的文本文件往往缺乏统一规范，格式复杂多变。常见的问题包括：

• 分隔符不明确或频繁变化（如空格、制表符、不可见字符等）。

• 字段内容中嵌入了与分隔符相同的字符，导致字段边界难以识别。

• 用户需通过反复试错（如手动指定分隔符）才能确定正确的解析方式，效率低下。

2、特殊字符难以识别与处理

部分文件中包含不可见字符、编码异常字符或外观相似的符号（如全角/半角空格、中英文标点混用等），这些字符在人工预览时难以区分，极易导致解析失败或数据错位。尽管可借助十六进制编辑器进行辅助分析，但操作门槛较高，普通用户难以掌握。

3、自动推断失败率较高

现有工具的“自动推断”功能对标准化文件（如 CSV  文件）效果尚可，但对非标准文件（如字段类型为字符串、无表头、分隔符异常）的识别准确率显著下降。由于无法依赖数据特征（如数值型、日期型字段）进行语义推断，工具难以自动建立源文件与目标表之间的列映射关系，仍需人工介入判断。

4、命令行参数 80+，学习成本高

为适配多样化的业务场景，导数工具持续扩展功能，导致命令行参数数量激增至80余个。尽管参数覆盖全面，但用户需记忆大量选项（如编码格式、转义规则、错误处理策略等），显著增加了使用门槛。此类设计类似于“拥有100个按钮的遥控器”——功能虽强，但操作复杂，违背了“易用性”原则。

AIChat  简介

近期，我们在调研过程中发现了适用于黑屏命令行的  AIChat 。 AIChat 是一款海外的开源  LLM  命令行工具，集成了 Shell 助手、命令模式（CMD）与交互模式（REPL）、检索增强生成（ RAG ）、AI 工具与智能体等功能于一体，并支持更多扩展特性。 从命令行设计到实操体验都非常丝滑流畅。

• GitHub： https://github.com/sigoden/aichat

• 关联项目：  https://github.com/sigoden/llm-functions

其中 aichat 项目是主体，llm-functions 是将 Agent 和 Function 部分单独剥离出来方便扩展。

我们现在通常都是使用各类 Chatbot 使用 AI，并通过 Function Call 或者  MCP  与应用结合。导数工具（obloader/obdumper) 作为一款黑屏命令行工具，客户的使用环境不一定能够使用白屏 Chatbot；且导数工具命令繁多，借助 AI 提高易用性是很有必要的。

因此尝试借助 AIChat 这个开源项目，与导数工具结合实现一个简单的 Agent。

AIChat + obloader 示例

环境初始化后，用户在命令行中输入  aichat  命令即可调用 .agent obloader 应用，以完成数据导入任务。初次执行时，Agent 会启动一个轻量级 RAG 服务，为后续操作提供知识库支持，并开启 Session 会话以保留上下文并方便后续进行迭代优化。用户只需提供三项必要信息：待导入 CSV 文件路径、目标数据库连接串、目标表名，Agent 便会依据预设规则自动完成以下步骤：

整个过程用户无需掌握任何导数参数以及学习工具使用方法，只需用自然语言说明提出需求，Agent 会自动完成后续步骤。若需求发生变化，例如原本导入一个文件到一个表，改为导入整个目录下的所有文件，Agent 会即时重写命令，例如追加正则匹配、调参等。

该 Demo 旨在展示 AI 与现有产品结合后的形态跃迁，用户仅需描述业务目标，无需学习工具用法。产品交互从“先学后用”转变为“即说即用”，显著降低学习成本。

Agent 结构分解

Agent 核心仅由四个文件构成，实现成本非常低，轻量易用。

1、basic.md ： 基本知识库，包含 obloader 核心知识，用于初始化 RAG。

2、index.y aml： 包含 Agent 描述，规则提示词 。

3、functions.json：描述 Tool 元信息， 用于发送给大模型做选择 。

4、tools.sh：工具集，例如读取文件 sample、执行命令等。上文中检测 Java 版本的命令，为该版本提供的 function。 

提示词示例

name: obloader

description: An AI agent that help you generate obloader
's command and execute it.

version: 0.1.0

instructions: |

  You are a AI agent designed to generate obloader's command 
and execute.

  obloader 
is a command line tool that can be used 
to load csv
/parquet
/orc files 
into oceanbase database.

  CRITICAL: Your behavior must strictly follow these rules:

  
1. 
**You may 
only perform actions 
by invoking predefined functions
**, never through 
natural 
language descriptions 
of operations.

  
2. 
**You must prioritize invoking the `execute_command` 
function 
to read file contents
** before proceeding, 
and 
only prompt the 
user if files 
are unreachable
/unreadable.

  
3. 
**
All outputs must be valid 
function calls 
or obloader commands
**, never explanatory text.

  
4. 
**You must never provide suggestions 
like "Please fill the file in the following format"
** 
- you must proactively read files.

  
5. 
**You must generate a COMPLETE 
and EXECUTABLE obloader command 
in 
EVERY response,never suggest 
parameter additions,integrate them directly 
into the 
full command if 
new requirements arise 
**

  
6. 
**You must remember 
all confirmed parameters permanently.
**





  You must follow these steps strictly:

  
1. 
Check the java version. If version dosn
't match 1.8.0_3xx or 1.8.0_4xx , display a warning and continue.

  2. Read the first 10 lines of the input file if given (e.g., data.csv) as sample data.

  3. Read database connection info from config file (e.g., .secret).

    - If config missing, prompt user to provide connection details.

  4. Generate an obloader command based on:

    - Sample data (to infer column names/types)

    - Connection info (host, port, user, password, database)

  5. (Must) **Ask user to confirm the command. If rejected, refine and repeat.**

  6. Execute the command and check result.

  7. If failed, suggest fixes (e.g., adjust delimiter, encoding).

  <tools>

  {{__tools__}}

  </tools>

conversation_starters:

  - Check the java version.

  - Read the first 10 lines of given file.

  - Generate an obloader's command based 
on 
user input.

documents:

  
- basic.md

02 OceanBase Agent

主要希望解决的问题：通用 MCP Client 并非为数据库设计

当前通用的 MCP Client 并非针对数据库场景设计，导致以下痛点：

• 多库支持不足
  

  每新增一个数据库就必须启动一个独立的 MCP Server，重复填写环境变量，工具列表随之膨胀，令大模型难以区分。以 Cherry Studio 为例，需要在该工具的 MCP 配置界面手动填写数据库连接的环境变量，才能检测到 MCP Server 提供的工具，例如执行 SQL 工具 execute_sql、获取 ash_report 工具 get_ob_ash_report 等，可以调用这些工具直接在数据库中执行。但如果有多个数据库时，例如需要加两个数据库，MCP Server 是不支持的，只能通过加两个 MCP Server 实现，需要填两个数据库地址，此时工具也会有两份，对于大模型面对两份一模一样的工具列表可能就很困惑。

• 连接信息不透明
  

  数据库连接参数位于 MCP 层，大模型无法感知，执行 SQL 时难以精准定位调用哪一个 MCP Server 的 execute_sql。

上述问题的根本原因是 通用 MCP Client  不是专门为数据库设计的，在使用方式上存在兼容问题，我们以低成本构建了 OceanBase Agent（社区非官方项目），目标是通过自然语言交互即可管理任意数量的 OceanBase 实例，显著减轻 DBA 工作负担。

核心能力

• 多数据库、数据源统一管理

  以连接串方式一次性添加多个数据库（如业务租户、sys 租户），Agent 在会话中动态切换，无需重复配置。

创建多个数据源

对话中选择数据源

• 工具原子化

  预置 70 余条常用 SQL 并封装为可调用的函数，可在 Chat 中调用单个工具。如获取版本的工具 getOceanBaseVersionInfo 对应的 SQL 语句是：  

  SHOW VARIABLES LIKE '%version_comment%';

  
  

• 工具组合成为 Agent 应用 Playbooks

  用户仅需用自然语言描述任务，系统会自动化执行。例如“查询 OceanBase 的慢查询，并分析原因”。可明确每个工具的名称，以提高成功率。 

• 扩展灵活

  支持自定义编写 Playbooks，对话式界面自动完成上下文保持、参数补全、命令生成，交互直观，实现个性化运维场景。

Demo

例如编写一个日常巡检的工具，可以通过点击 Generate Content 使用 AI 辅助编写，自动生成。

新建 Playbook

执行 Playbook

Scheduler

日常巡检可以配合 Scheduler 运行，并使用 AI 生成 Cron Expression 表达式，生成 Scheduler 后即可实现定期执行  Playbooks 。

03 MCP: 扩展带来的无限可能

示例一：通过 MCP 获取更多上下文

MCP 为平台提供了灵活的扩展能力。接入后，工具列表即刻扩充，用户可按需在对话中调用，无需额外开发即可实现网页摘录、上下文注入及图表生成等功能。

示例二：巡检并发送邮件

日常巡检、监控报警、报告推送等基础能力不直接产生商业价值，却又是平台必备， 研发侧认为“技术含量低、搬砖式开发”，不愿投入，业务侧嫌排期长、交付慢，双方持续拉锯。 #MCP 的扩展能力可以用“插件化”思路直接解决这些“低价值但必需”的长尾需求。通过将邮件、企微、钉钉、图表渲染等通用但零碎的能力封装成独立 MCP Server，业务方直接在 Playbook Content 中以自然语言明确需求即可完成任务。

执行日常巡检，总结成报表输出，并抄送一份发到xxx@abc.com

MCP Server 全程零代码，非研发人员也可以直接使用，只需运行如下命令即可完成环境配置，内部封装了多种能力，简便易用。

dacker run -d \  
  --name ob-agent \  
  --env CUSTOM_BASE_URL='https：//dashscope.aliyuncs.com/compatible-mode/vi' \  
  --env CUSTOM_API_KEY='sk-xxx' \  
  --env CUSTOM_CHAT_MODEL_NAME='qwen-max-latest' \  
  -p 8000：8008 \  
  davidzhangbj/oceanbaseagent：v0.2

扩展阅读

OceanBase MCP Server v0.0.3 版本发布已发布，感兴趣的小伙伴欢迎体验。

📖  社区介绍文章：https://ask.oceanbase.com/t/topic/35631743