演示很简单。
将模型连接到数据库。提出一个自然语言问题。获得答案。
生产环境的决策则更为艰难。
模型代表谁行事？它可以访问哪些表？当它错误地猜测连接关系时会发生什么？事后能否重建发生的情况？
在人工智能代理查询生产数据之前，需要审查其访问路径。这不是一个为期六个月的治理计划，而是一份实用的检查清单。
我反复使用的检查清单如下：
- 每个请求都映射到真实的用户或服务身份。
- 默认使用只读凭据。
- 工具目录按角色和工作流进行范围限定。
- 重复性问题使用经批准的数据库视图。
- 敏感列被排除、脱敏或阻止访问。
- 强制执行行数限制、语句超时和速率限制。
- 记录提示词、工具调用、生成的查询、用户以及结果元数据。
- 扩展目录需要经过审查。
- 写入权限通过单独的审批路径进行处理。
最后一点至关重要。
让代理准备建议与让它对生产环境造成意外影响之间存在巨大差异。
MCP 使从客户端进行的数据库访问看似简单。这很好。但这也意味着安全模型必须移至提示词与数据库之间的层：包括身份、权限、工具范围、查询控制和可审计性。
我已将此内容扩展为更详细的 Conexor 检查清单，详见：https://conexor.io/blog/ai-database-access-review-checklist?utm_source=devto&utm_medium=article&utm_campaign=content
目标并非“将人工智能连接到生产环境”。
目标是批准一条特定的、可审查的人工智能数据访问路径。
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
