airCloset用991張表喂給AI

日本時尚租賃公司airCloset的CTO Ryan Tsuji最近曬了一組數字：15個數據庫schema、991張表、11個SQL數據庫、6個MongoDB實例。這不是在炫耀技術債厚度，而是在展示他們怎么讓AI把這些老古董盤活了。

他們的新工具叫DB Graph MCP。核心能力一句話：員工用自然語言問問題，AI自動去這991張表里找答案。不需要知道表名，不需要懂SQL，甚至不需要知道數據存在哪個庫。

聽起來像給數據庫裝了搜索引擎。但Tsuji想解決的痛點更具體——那些只存在于老員工腦子里的「表與表之間的隱秘聯系」。

一個真實的跨庫追查：4張表、2個schema、0個外鍵

客服拋來一個典型問題：「用戶App顯示退貨已完成，但倉庫真的收到貨了嗎？」

這個問題要拆成兩段。App端的退貨狀態在aircloset庫的delivery_order表，狀態碼「RETURNED」代表流程走完。但倉庫端的實物確認在另一個叫bridge的庫里，receive_record表的「COMPLETE」狀態才是金標準。

麻煩的是，這兩個庫沒有外鍵關聯。中間靠一張映射表硬橋接：aircloset里存的是warehouse_order_code（字符串），bridge里對應shipping_order_code（也是字符串），字符串匹配，手工維護。

Tsuji的原話：「公司里有幾個人知道這條查詢路徑？一只手數得過來。他們要是休假，調查就卡死?！?/p>

這就是10年技術債的日常。不是「找不到表」，是「不知道表和表之間還能這么連」。

MCP協議：讓AI學會「翻箱倒柜」的通用語言

DB Graph MCP的底座是Model Context Protocol（模型上下文協議），Anthropic去年推出的開放標準。簡單說，它給AI和外部系統之間定了套「對話語法」——AI能調用什么工具、傳什么參數、拿回什么格式，雙方提前約定好。

airCloset在這個框架上搭了兩層：DB Graph負責把991張表的結構、關系、注釋吃進去，建成一張可搜索的「元數據地圖」；MCP Server則負責把Claude Code的自然語言問題，翻譯成對這張地圖的查詢指令。

員工在Claude Code里打字：「找跟退貨處理確認相關的表」。后臺觸發search_tables工具，語義搜索跑一遍，返回候選表列表，帶相關性評分和字段說明。

選中表之后，可以繼續問：「這些表怎么關聯？」DB Graph會畫出關系路徑——哪張表的哪個字段，通過什么條件，連到哪張表。甚至能指出「這里用字符串匹配，沒有外鍵約束」這種坑。

Tsuji展示了實際返回格式：表名、字段類型、業務注釋、關聯方式，結構化輸出。不是黑盒，每一步都可審計。

安全設計：生產數據只能「看」，不能「碰」

讓AI碰生產數據庫，第一反應是風險。airCloset的解法是分權限層級。

DB Graph MCP默認只開放「元數據查詢」——表結構、字段注釋、表間關系。這些不涉及業務數據本身，員工本來就有權限看。

真要查生產數據？需要額外申請，走審批流。而且查詢是只讀的，帶審計日志。Tsuji強調：「我們可以讓它安全地查詢生產數據」，前提是權限和流程到位。

另一個細節是schema隔離。15個schema的元數據統一索引，但查詢時按用戶權限過濾?？头床坏截攧誷chema的表結構，工程師也進不了HR的數據域。

這種設計把「AI能做什么」和「人被允許做什么」解耦了。AI的能力邊界由MCP工具定義，人的操作邊界由現有權限系統接管。

圖數據庫打底：991張表的「關系圖譜」怎么建

支撐自然語言查詢的，是一張預計算的圖。節點是表、字段、schema；邊是外鍵關系、命名相似性、人工標注的業務關聯。

外鍵關系直接從數據庫元數據提取，最可靠。但airCloset的痛點恰恰是「沒有外鍵的地方」，所以補充了兩條線索：

一是命名模式。warehouse_order_code和shipping_order_code這種，字段名語義相關，可能被歸到同一業務域。二是人工注釋。老員工在DB Graph后臺標記的「這張表和那張表其實是一對一」，變成圖上的加權邊。

Tsuji沒透露具體用的什么圖數據庫，但提到「向量搜索+圖遍歷」的混合查詢。自然語言先向量化，找語義相近的表名/字段注釋；再沿著圖邊擴散，找出關聯表。最后綜合排序返回。

這套機制解釋了為什么「return processing confirmation」能命中receive_record表——不是關鍵詞匹配，是語義相近的字段注釋+圖上路徑的綜合得分。

從「人腦維基」到「可查詢的基礎設施」

Tsuji的總結很直白：「以前這些連接只存在于特定人的腦子里，現在變成了可搜索、可驗證的系統?！?/p>

這不是替換DBA，是降低「知道該問誰」的門檻。新員工不用先花三個月摸清哪個老員工管哪塊schema，直接問AI就行。老員工也能從「人肉查詢接口」里解放出來。

airCloset把這套系統開源了。GitHub倉庫里能看到MCP Server的實現、圖構建的流水線、權限模型的配置模板。Tsuji說歡迎提issue，但提醒「991張表的規模可能不是每家都有」。

一個有趣的后續：發布后一周內，有讀者反饋說用類似思路接上了自家公司的2000張表，但查詢延遲從2秒飆到15秒。Tsuji在評論區回復：「我們在考慮分層緩存，熱schema常駐內存，冷數據按需加載?！?/p>

10年老數據庫的自然語言接口，性能優化才剛開始。