最新

大家好，HN！ 如果你想将你的智能体连接到数据库（例如，构建数据分析师聊天机器人或任何类型的智能体应用），目前你有两个选择：SQL MCP 服务器或语义层。 SQL MCP 是最容易设置的方案，特别是如果你还有一个智能体可以更新的 .md 知识库。但它很快就会变得非常混乱，尤其是在交互很多或数据库很大的情况下。如果你想了解这些数字的来源，生成的 SQL 很难审查，而且相关的查询也很难对齐和比较。 自然的替代方案是语义层，它是一个关于哪些数据可用/有用的清单（数据模型），以及一个使用结构化 DSL 查询它的接口——通常是一个度量、维度、过滤器列表，并处理连接等。 当我们在 Motley 需要一个语义层来连接到我们客户的数据时，我们首先选择了 Cube，并为多租户和动态更新模型进行了定制。我们很快遇到了一些限制，这让我们意识到现有的语义层并不是为此目的而构建的：它们仍然是 BI 世界的一部分，在那里你想要一个高效的后端，用于一组本质上是静态的、由人工策划的仪表板，而智能体需要通过迭代来找到答案，并在过程中学习。这就是我们构建 SLayer 第一个版本的时候，现在它已经开源了。 使用 SLayer MCP 或 CLI，智能体（和人类）可以： - 探索模型，运行查询，连接到多个数据库 - 编辑列/度量或创建新的列/度量 - 从 SQL 或其他模型的查询中创建自定义模型 - 从交互中学习：保存和检索与模型、列或查询相关的自然语言记忆，以形成知识库 智能体可以演进语义层，重用过去交互的结果，并在未来减少错误。 更多功能： - 从你的数据库模式自创建模型，实现快速启动 - 可嵌入性——不需要运行服务器 - 用于使用数据框进行数据分析的 Python 客户端 - 模式漂移检测和处理 - 具有表现力的 DSL，具有紧凑、自然的表示，用于任意深度的多阶段查询、自定义聚合、时间偏移、组合来自多个模型的指标，以及其他在原始 SQL 中难以正确实现的功能 路线图：访问控制、缓存等。 代码库：[https://github.com/MotleyAI/slayer](https://github.com/MotleyAI/slayer) 文档：[https://motley-slayer.readthedocs.io/en/latest/](https://motley-slayer.readthedocs.io/en/latest/)