我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周

28 阅读6分钟

我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周

不是标题党。这是一个真实落地的过程记录:从「AI 只会写 demo」到「AI 直接操作生产数据库」,中间差了哪些东西。

先说结论

三个数字:

指标改造前改造后
新增一个标准 CRUD 模块的耗时1.5 天20 分钟
接口层重复代码量约 8000 行约 1200 行(只剩配置)
联调返工次数(近 3 个月)平均每周 2.3 次平均每周 0.4 次

核心不是让 AI 写代码更快,而是让它能直接读你的表结构、按你的规范生成、并且自己跑一遍验证。这中间的关键技术,是 MCP。


一、为什么"直接把需求丢给 ChatGPT"不好用

我们试过最朴素的做法:把建表语句粘进对话框,让它生成 Service 层。

结果很稳定地翻车在三件事上:

  1. 看不到真实数据。它不知道 status 字段里到底存的是 0/1 还是 ENABLED/DISABLED,猜错了就是线上 bug。
  2. 不知道项目约定。我们的返回体必须包一层 {code, message, data},它默认给你裸返回。
  3. 生成完无法自证。代码看起来对,跑起来报 Column 'create_time' cannot be null,又得人肉来回三轮。

问题不在模型能力,在于上下文是死的,而工程环境是活的。

MCP(Model Context Protocol)解决的正是这件事:它给模型一套标准化的"手和眼",让它能在受控范围内主动去查表结构、读示例代码、跑 SQL 验证。


二、十分钟搭一个最小可用的 MCP Server

不用框架,官方 Python SDK 足够。整个文件不到 80 行。

# server.py
import asyncio
import json
from contextlib import asynccontextmanager

import aiomysql
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("db-inspector")

# 只读连接,这是第一条安全红线
READONLY_DSN = dict(
    host="127.0.0.1", port=3306, user="ai_reader",
    password="***", db="your_db", autocommit=True,
)


@asynccontextmanager
async def conn():
    c = await aiomysql.connect(**READONLY_DSN)
    try:
        yield c
    finally:
        c.close()


@mcp.tool()
async def list_tables(keyword: str = "") -> str:
    """列出数据库中的表,可按关键词模糊筛选。"""
    async with conn() as c:
        async with c.cursor() as cur:
            await cur.execute(
                "SELECT table_name, table_comment FROM information_schema.tables "
                "WHERE table_schema = DATABASE() AND table_name LIKE %s "
                "ORDER BY table_name LIMIT 200",
                (f"%{keyword}%",),
            )
            rows = await cur.fetchall()
    return "\n".join(f"{name}\t{comment or ''}" for name, comment in rows)


@mcp.tool()
async def describe_table(table: str) -> str:
    """查看某张表的完整字段定义,包含类型、是否可空、默认值、注释。"""
    async with conn() as c:
        async with c.cursor() as cur:
            await cur.execute(f"SHOW FULL COLUMNS FROM `{table}`")
            cols = await cur.fetchall()
            await cur.execute(f"SHOW INDEX FROM `{table}`")
            idx = await cur.fetchall()
    out = ["字段\t类型\t可空\t默认值\t注释"]
    for f, t, _, null, _, default, _, _, comment, *_ in cols:
        out.append(f"{f}\t{t}\t{null}\t{default}\t{comment or ''}")
    out.append("\n索引:")
    for row in idx:
        out.append(f"{row[2]}\t列序号{row[3]}\t唯一={not row[1]}")
    return "\n".join(out)


@mcp.tool()
async def sample_rows(table: str, limit: int = 3) -> str:
    """抽样若干行真实数据,用于判断字段取值习惯(已脱敏字段请在 SQL 层处理)。"""
    limit = max(1, min(limit, 10))
    async with conn() as c:
        async with c.cursor(aiomysql.DictCursor) as cur:
            await cur.execute(f"SELECT * FROM `{table}` LIMIT {limit}")
            return json.dumps(await cur.fetchall(), ensure_ascii=False, default=str)


if __name__ == "__main__":
    mcp.run()

接入客户端只要一行配置:

{
  "mcpServers": {
    "db-inspector": {
      "command": "python",
      "args": ["/path/to/server.py"]
    }
  }
}

到这里,模型就能自己回答"这个表有什么字段""status 实际存的是什么"这类问题了。注意 sample_rows 是它最常调用的工具,因为字段语义几乎都藏在真实数据里。


三、真正的提效点:把项目规范也变成工具

第二步很多人会漏掉。光让模型看见数据库,它生成的代码仍然「不像我们项目的」。

于是我又加了两个只读工具:

  • list_java_files(module) —— 返回某个模块下的文件树,让它知道分层结构
  • read_file(path) —— 读任意源码文件(限定在项目根目录内)

然后把一段 CLAUDE.md 式的规范文件放到仓库根目录:

## 代码规范(必须遵守)
1. Controller 统一返回 Result<T>,禁止裸返回实体。
2. 分页查询一律使用 PageQuery 入参 + PageResult 出参。
3. 新增/修改操作必须显式设置 createTime / updateTime。
4. 枚举字段禁止硬编码数字,使用 XxxEnum。
5. 生成的代码必须能通过 `mvn -q compile`。

这一步之后,输出质量有了质变。因为模型不再是「凭感觉生成」,而是先读 2 个同类模块,再照着写。


四、安全边界:别让"提效"变成"事故"

这块必须写清楚,也是我踩过坑的地方。

第一条:AI 的数据库账号必须只读。

CREATE USER 'ai_reader'@'%' IDENTIFIED BY '...';
GRANT SELECT ON your_db.* TO 'ai_reader'@'%';

不要图省事给它 ALL。让它查、让它看,但绝不给它写权限。写操作永远由人 review 后执行。

第二条:文件工具要做路径校验。

ALLOWED_ROOT = Path("/Users/me/work/project").resolve()

def safe_path(p: str) -> Path:
    target = (ALLOWED_ROOT / p).resolve()
    if not str(target).startswith(str(ALLOWED_ROOT)):
        raise ValueError("越界路径")
    return target

第三条:生成的代码必须过 CI。

我们加了一条硬规定:AI 产出的 PR 必须通过 compile + checkstyle + 单测,否则不进入人工 review。这比任何"提示词技巧"都管用——用工程手段兜底,而不是靠信任模型。


五、20 分钟的完整流程长什么样

现在新增一个「合同附件」模块,实际是这样的对话:

我:新增合同附件模块,表 t_contract_attachment,需要
    上传记录、按合同 ID 列表查询、逻辑删除三个接口。

AI:(自动调用 list_tables 确认表是否存在)
    (调用 describe_table 拿到字段)
    (调用 sample_rows 看 file_type 的实际取值)
    (调用 list_java_files 读 2 个同类模块)
    生成了 9 个文件...
    (执行 mvn compile 通过)

我:字段 file_size 用 Long,单位是字节,别用 int。
AI:已调整,重新编译通过。

20 分钟,验收通过。剩下的时间本来要花在写 DTO、Mapper、Service 样板和联调字段类型上。


六、几个诚实的提醒

  1. 它不会替你做业务决策。 状态机怎么流转、权限怎么校验,仍然要人想清楚。
  2. 复杂查询它会写错。 多表 join + 窗口函数这类,还是要人写。
  3. 前期投入不小。 搭 MCP Server、写规范文件、配只读账号,大概 1-2 天。我们是在第 5 个模块之后才开始回本的。
  4. 不要一次放开全部权限。 先只读数据库,再加文件读取,最后才考虑读日志/读监控。每加一层都问自己:最坏情况是什么?

最后

这套东西真正的价值不在「省了几天工时」,而在于把重复劳动的边际成本压到接近零。当你发现加一个标准模块只要 20 分钟,你会开始愿意去补那些一直懒得做的功能——这才是复利。

上面所有代码都是可运行的。如果你也在做类似的事,欢迎在评论区交流你的安全边界是怎么画的。

如果这篇对你有用,点个赞让我知道。后续我会写:怎么让 MCP Server 支持写操作审批流(人审后才落库),以及如何在团队里推广这套规范而不引发抵触。