AI Agent 也需要一张不会胡说的数据库：AgeDB 实战指南
AI Agent 在执行研究、销售线索整理或工单分流时，会不断产生结构化数据。把这些内容全部塞进上下文窗口，既昂贵又难以复查；直接让模型生成 SQL，又容易出现列名写错、越权读取或“看起来合理”的错误答案。
AgeDB 试图把这类问题下沉到数据库层：它是一个用 Rust 编写的本地数据库，面向 Agent 提供自然语言查询和 MCP 接口。项目目前处于 v0.1，单节点运行，Apache-2.0 许可。它最有意思的地方不是“让模型会查库”，而是让系统明确告诉你：自己究竟如何理解了问题，以及哪些问题根本不应该执行。
先看它解决什么问题
AgeDB 的 README 给出了一个很典型的交互：Agent 创建 leads 表、写入数据，然后询问“哪些公司最可能转化”。返回结果不仅有排名，还会带上类似“按公司分组、计算 score 平均值、取前 10 条”的解释。
如果 Agent 接着询问“这些线索中哪些变成了客户”，而当前版本只支持单表查询，AgeDB 不会偷偷给出一个猜测数字，而是返回“不支持：该请求跨越 customers 和 leads 两张表，需要 join”。这种拒答是数据 Agent 的重要能力：宁可暴露边界，也不要把不完整的结果包装成确定答案。
它把查询限制在已知表和列上，并检查列的语义类型。例如，把 customer_id 当作可求和的度量会被拒绝；每个响应还会附带实际执行的计划，方便人或上层 Agent 复核。
40 秒跑通本地演示
AgeDB 要求 Rust 1.90 或更新版本，不需要额外数据库服务，也不需要 Docker。源码构建和演示命令来自项目 README：
git clone https://github.com/sivsivsree/agedb cd agedb cargo build --release examples/demo.sh
演示脚本会启动服务，创建表并加载 4,000 条 leads 数据，然后执行六个自然语言问题，同时展示错误、拒答以及 MCP 重放流程。对于想评估 Agent 数据访问层的人来说，这比只看一条“查询成功”的 happy path 更有价值。
接入 MCP：stdio 或 HTTP
如果 Agent 与 AgeDB 在同一台机器上，可以直接使用 stdio。下面的配置使用绝对路径，并把租户明确写入启动参数：
{
"mcpServers": {
"agedb": {
"command": "/absolute/path/to/agedb",
"args": [
"--data-dir", "/absolute/path/to/data",
"serve", "--transport", "stdio", "--tenant", "acme"
]
}
}
}
需要通过 HTTP 暴露时，README 展示的启动方式如下：
./target/release/agedb --data-dir ./data \ serve --transport http --port 8080 \ --api-key "$AGEDB_API_KEY" --tenant acme
客户端连接 http://localhost:8080/mcp，并使用 Bearer 令牌。生产环境不要把真实密钥直接写进 shell 历史或配置文件，应通过环境变量或密钥管理系统注入。
不是“自然语言 SQL 翻译器”
AgeDB 当前提供十四个 Agent 工具，覆盖数据库、表、数据写入、查询和 schema 管理，但刻意没有 execute_arbitrary_query。data_query 可以接收自然语言，也可以接收结构化计划，例如按国家汇总最近 30 天的收入。
这带来一个清晰的安全边界：调用方提交的是受约束的数据意图，而不是任意可执行 SQL。计划会先对照实时 schema 校验；未知列、无意义聚合和超出权限的数据请求，都应该在执行前变成可解释的拒绝。对于多租户 B2B Agent，这种“统一执行点”比单纯增加一个 MCP server 更值得关注。
当然，AgeDB 还不是成熟数仓的替代品。v0.1 是单节点版本，查询能力和生态都有限；PostgreSQL、DuckDB 加上只读角色、schema 检查和查询预算，也能实现不少类似约束。AgeDB 的价值在于把这些约束、解释信息和 MCP 接口放进一个专门的本地二进制中，降低 Agent 应用的拼装成本。
适合从哪里开始
如果你正在做本地研究 Agent、销售线索 Agent 或实验记录 Agent，可以先用 demo 验证三件事：数据模型是否足够表达业务记录；拒答是否比模型自由发挥更符合预期；以及附带的执行计划能否进入你的审计日志。
不要一开始就把所有业务数据迁移进去。先挑一个可回放的小数据集，给每个查询设置租户、时间和字段边界，再观察 Agent 是否会反复提出超出当前版本能力的请求。数据库真正成为 Agent 的“记忆”之前，先让它成为一个可解释、可拒绝、可复核的工具，往往更稳妥。
相关链接