项目介绍
【技术文档摘要】
koryki.ai/core
koryki.ai/core 库改进了业务用户与关系数据库之间的交互，用于搜索和数据分析，这些操作由大型语言模型（LLM）辅助。
通过引入易于理解和验证的查询语言（kql），用户可以掌控整个过程。
kql 避免了 SQL 的模糊性和冗余性。kql 具有简洁的语法，易于学习。
进一步降低数据分析师面临的复杂度：
- 在数据库模式之上使用业务术语引入业务模型，而不是暴露数据库内部细节。
- 标记实体关系以隐藏连接条件。
- 跳过人类已知或 AI 模型从上下文中已知且不需要知道的细节。
- 隐藏用于优化的数据库技术，如分区表、基于函数的索引、预先计算的值（如 soundex）等。
每一步抽象处理都减少了用户和 LLM 可见的复杂度。这些确定的过程可以通过 SQL 生成来可靠地处理。这使得用户更容易理解并验证要执行的查询，同时也降低了 LLM 计算的难度。
除了语法检查外，查询没有所谓的“正确”或“错误”。一切都取决于用户的需要和期望。帮助用户理解系统行为是提高生产力和数据质量的关键。
MCP-Server
借助 koryki.ai MCP-Server，用户可以在 AI 模型的支持下获得对数据库的读取访问权限，参见 Model-Context-Protocol。
koryki.ai MCP-Server 的主要任务是在 kql 形式的查询和关系数据库的形式化语言（SQL）之间架起桥梁。
为此，koryki.ai 引入了两种查询语言：
- kql：korykiai 查询语言旨在以易于理解的形式表达查询。
- iql：中间查询语言通过规则集补充查询的技术信息。这种语言考虑了用户的隐含期望。数据库所需的但对用户无关紧要的细节在此引入。
在 AI 模型将自然语言查询转换为 kql 形式后，koryki.ai MCP-Server 将此查询转换为 iql 形式，使用规则集丰富和转换查询，并最终生成适用于数据库系统的 SQL。
我们来看一个示例：
用户输入：
查找在2023年1月下单超过10次的客户，
返回公司名称和订单数量，按订单数量排序。
借助 koryki.ai 发布的资源，包括 kql 语法和实体关系模型，AI 可能会创建一个 kql 形式的查询：
FIND customers c, c-orders o
FILTER count(o) > 10 AND
o.order_date BETWEEN DATE '2023-01-01' AND DATE '2023-01-31'
FETCH c.company_name, count(o)
ORDER count(o) DESC
同样的查询在 iql 中：
SELECT
"customers" "c"
OUT "c"."company_name" 1
GROUP "c"."company_name"
JOIN "orders" "o"
OUT count("o"."order_id") 2
FILTER "o"."order_date" BETWEEN DATE '2023-01-01' AND DATE '2023-01-31'
HAVING count("o"."order_id") > 1
ORDER count("o"."order_id") DESC
OWNER
应用规则：
- 根据聚合情况将 FILTER 子句解析为 iql-FILTER 或 iql-HAVING。
- 在必要时添加 GROUP-BY 子句。
- 解析计数函数中的主键列以确保唯一性。
连接子句尚未解析为连接列。
同样的查询在 SQL 中，解析连接列：
SELECT
c.company_name
, count(o.order_id)
FROM
customers c
INNER JOIN orders o ON
c.customer_id = o.customer_id
WHERE
o.order_date BETWEEN DATE '2023-01-01' AND DATE '2023-01-31'
GROUP BY
c.company_name
HAVING
count(o.order_id) > 10
ORDER BY
count(o.order_id) DESC
但至少还有两个要求需要注意：
- 构建一个值得信赖的系统
- 仅限访问授权区域
- 提供准确的结果
- 避免误用，特别是 SQL 注入
- 最佳响应时间
koryki.ai MCP-Server 使用 https://github.com/modelcontextprotocol/java-sdk 实现。
关于 koryki.ai 的更多信息
演示：Northwind 数据库
演示 MCP-Server
相关 GitHub 项目