Terminez d'abord "Fondations : Comment un agent IA perçoit, planifie et agit" pour débloquer cette leçon.Aller à la leçon précédente

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.

sql
SELECT table_name, column_name, data_type
FROM information_schema.columns
WHERE table_schema = 'public'
ORDER BY table_name, ordinal_position;

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.

diagramme de flux montrant l’agent recevant la question de l’utilisateur, récupérant le contexte du schéma à partir des métadonnées de la base, générant un candidat SQL, validant le SQL, puis l’exécutant ou le rejetant

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.

python
import sqlparse
FORBIDDEN = {"drop", "truncate", "grant", "revoke"}
def safe_sql(raw: str) -> str:
parsed = sqlparse.parse(raw)
if len(parsed) != 1:
raise ValueError("Must be exactly one statement")
stmt = parsed[0]
first_token = stmt.get_type().lower()
head = stmt.token_first(skip_cm=True).value.lower()
if head in FORBIDDEN:
raise ValueError(f"Forbidden verb: {head}")
return str(stmt)

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.

sql
SET statement_timeout = '3s';
SET idle_in_transaction_session_timeout = '5s';

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.

diagramme bloc comparant deux rôles de connexion à la base de données — un rôle d’analyse en lecture seule et un rôle d’écriture restreint — montrant quelles instructions SQL chaque rôle est autorisé à exécuter

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.

Entraînement

Point de contrôle de la leçon

Révisez la leçon et recevez des conseils sur votre travail.

0/8
01Pourquoi est-ce que fournir les métadonnées du schéma à l’agent est une condition préalable à une génération SQL précise ?
02Quel verbe SQL doit être explicitement rejeté par la couche de validation quel que soit le contexte ?
03Dans la fonction Python safe_sql, quel est le but de vérifier que len(parsed) != 1 ?
04Pourquoi appliquer statement_timeout au niveau de la session plutôt que de valider le SQL uniquement dans le code ?
05Quel problème survient lorsque vous transférez le schéma complet d'une grande base de données dans l'invite de l’agent ?
06Pourquoi le fait que l’agent « s’auto-politicide » son SQL dans l’invite est considéré comme peu fiable ?
07Quel est le rôle d’un utilisateur de base de données en lecture seule dans ce montage ?
08Quel ordre décrit le mieux la défense à couches pour SQL piloté par l’agent ?
Répondu · 0/8