Introduction
Les agents IA deviennent bien plus utiles lorsqu’ils peuvent interagir directement avec des bases de données relationnelles au nom des utilisateurs — répondre à des questions du style « Quels ont été les produits les plus vendus le dernier trimestre ? » ou « Mettre à jour l’adresse d’expédition de ce client » sans qu’un humain écrive du SQL à la main. Le défi consiste à donner à un agent un véritable pouvoir sur la base de données tout en l’empêchant d’exécuter des requêtes destructrices ou non sûres. Cette leçon décrit les blocs pratiques de construction : permettre à un agent de lire votre schéma, générer du SQL, valider ce SQL, et ne l’exécuter ensuite sur une base de données réelle.
Accorder la connaissance du schéma à l’agent
Un agent ne peut pas écrire du SQL correct s’il ne sait pas quelles tables et colonnes existent. La technique standard consiste à alimenter le modèle avec une description condensée du schéma de la base de données dans le cadre du prompt système ou dans un bloc de contexte récupéré. Pour une base PostgreSQL, vous pouvez extraire les tables et les colonnes en utilisant information_schema, puis tronquer la sortie avant de la transmettre au modèle.
Les lignes retournées deviennent un résumé textuel que l’agent peut référencer chaque fois qu’il construit une requête. Sans cela, le modèle déduira des noms de colonnes incorrects et échouera de manière répétée.
Générer et valider le SQL
Une fois que l’agent dispose du contexte du schéma, vous lui demandez de produire une seule instruction SQL en réponse à la demande de l’utilisateur. Enveloppez cette sortie dans un parseur afin de pouvoir l’inspecter avant l’exécution. Un pipeline robuste fait trois choses dans cet ordre : (1) rejeter tout ce qui n’est pas une seule instruction, (2) rejeter toute instruction dont le verbe initial figure sur une liste d’interdiction (DROP, TRUNCATE, DELETE sans WHERE, UPDATE sans WHERE, GRANT, etc.), et (3) exécuter l’instruction avec une connexion en lecture seule ou limitée par des paramètres selon l’intention.
Cette couche de validation s’exécute *avant* que le SQL n’atteigne jamais votre base de données. C’est la sauvegarde la plus importante de tout le pipeline.
Exécuter via une connexion restreinte
Même avec une validation, la défense en profondeur compte. Connectez-vous à la base de données en tant qu’utilisateur dont les autorisations sont déjà restreintes : un rôle en lecture seule pour les questions analytiques, et un rôle distinct n’ayant que les droits INSERT/UPDATE spécifiques dont votre application a besoin. Définissez un délai d’instruction court au niveau de la session afin que les requêtes qui dérapent ne puissent pas verrouiller une table pendant des minutes.
Associez ces timeouts à une limite de lignes ajoutée aux SELECT générés (par exemple, ajouter systématiquement LIMIT 100 sauf si l’utilisateur choisit explicitement de ne pas le faire) afin que l’agent ne puisse pas ramener une table d’un million de lignes en mémoire et bloquer le système.
Pièges courants
La défaillance la plus fréquente est de laisser l’agent échoer du SQL brut dans le chat sans jamais l’exécuter — les utilisateurs le copient puis l’exécutent eux-mêmes, et vous perdez les traces d’audit. Un autre est de faire confiance au modèle pour « décider si la requête est sûre » dans le même prompt ; l’autosurveillance est peu fiable, il faut donc toujours faire respecter la validation dans le code. Enfin, évitez de transmettre l’intégralité du schéma d’une vaste base de données en une seule fois : le modèle brûle du contexte sur des tables dont il n’a jamais besoin, filtrez donc les tables pertinentes par requête ou utilisez des embeddings pour ne récupérer que les correspondances.
Résumé
Connecter un agent à SQL est un problème en couches. Commencez par exposer les métadonnées du schéma afin que le modèle puisse écrire du vrai SQL, puis générez, analysez et validez chaque instruction dans le code avant l’exécution. Soutenez le validateur par des autorisations basées sur les rôles et des timeouts au niveau de la connexion afin qu’une erreur ou une invite malveillante ne puisse jamais effacer une table. Avec ces quatre couches — contexte de schéma, validation au niveau du code, rôles restreints et timeouts — un agent peut répondre à des questions sur les données et effectuer des écritures sûres sans mettre votre base de données en danger.
Point de contrôle de la leçon
Révisez la leçon et recevez des conseils sur votre travail.