先辨識查詢,而不是先選資料庫
交易系統的主要任務,是穩定處理訂單、庫存、客戶狀態與權限異動。這類查詢通常短、範圍明確,並且要求最新資料。相較之下,BI 報表可能掃描數月紀錄並執行多層彙總;探索分析的 SQL 尚未最佳化,使用者還會反覆改條件;AI 產生的查詢則更難預測,可能加入不合理的關聯、排序或大範圍全文搜尋。它們雖然都是讀取,對 CPU、記憶體、I/O、連線池與鎖定資源的影響卻完全不同。
第一步應建立工作負載清單,記錄每類查詢可接受的資料延遲、執行時間、同時使用人數、掃描範圍與失敗影響。每日管理報表若可接受數十分鐘前的資料,就沒有理由直接查詢主庫;客服人員確認剛完成的付款,則可能需要接近即時的讀取。資料新鮮度不是越高越好,而是必須與業務決策的時效相符。
- 交易查詢:短查詢、低延遲、最新狀態,優先保護穩定性。
- 固定報表:欄位與指標可預先設計,適合彙總表、快取或資料集市。
- 探索分析:查詢型態多變,應配置獨立運算資源與掃描限制。
- AI 查詢:輸入不可預測,必須經過驗證、權限檢查與執行護欄。
用分層資料路徑換取可控的影響範圍
常見做法是讓交易主庫只服務寫入與必要的即時讀取,再將其他需求導向不同層級。讀取副本適合需要低延遲、資料模型仍接近交易系統的查詢,例如近期訂單查詢或營運看板。資料倉儲或 lakehouse 更適合跨系統關聯、歷史分析與大量彙總,因為它能採用分析型儲存、分區及獨立擴縮。固定且高頻的指標還可透過物化檢視、彙總表或語意層提供,避免每次從原始明細重新計算。
隔離並非把資料複製出去就完成。讀取副本仍可能因長查詢產生複寫延遲,甚至與備援需求爭用資源;倉儲則需要 CDC 或批次管線,必須處理重送、順序、刪除與結構變更。設計時應明確定義每條資料路徑的一致性契約:資料最晚何時更新、延遲如何被監測、管線失敗時報表要顯示舊資料還是停止服務,以及使用者如何得知目前資料時間點。
隔離運算,也要隔離帳號、連線與權限
只建立讀取副本,卻讓所有工具共用同一帳號與連線池,仍然很容易互相拖累。BI 排程、分析人員、AI 服務與應用程式應使用不同的資料庫角色、連線池及資源群組。如此才能分別設定並行數、查詢逾時、記憶體上限、佇列優先序與可存取的資料範圍,也能在異常時只停用單一來源,而不影響整個服務。
實務上應在資料庫之外再設置查詢閘道或服務層。它負責驗證身分、注入租戶與資料範圍條件、限制回傳列數、設定逾時、取消失控查詢,並留下查詢來源、使用者、資料集與執行結果的稽核紀錄。敏感欄位不應只靠提示詞要求 AI 避免存取,而要透過欄位遮罩、列級權限、允許清單與專用檢視從資料層強制執行。
AI 查詢需要比傳統 BI 更嚴格的執行管線
自然語言轉 SQL 不應直接連到正式資料庫。較安全的流程是先將問題對應到核准的資料集與語意定義,再產生受限的查詢表示式或 SQL;系統接著解析語法,拒絕寫入指令、未核准資料表、交叉租戶存取及高風險函式。執行前可使用查詢計畫或成本估算檢查全表掃描、笛卡兒積與異常關聯,超過門檻時改為要求使用者縮小日期或條件。
對常見管理問題,最好讓 AI 呼叫已定義的指標 API、參數化查詢或語意層,而不是每次自由產生 SQL。只有真正的探索需求才進入受控的 SQL 路徑,並加上唯讀交易、列數上限、時間範圍上限、結果大小限制與強制取消機制。查詢結果還需要攜帶資料時間點、套用的篩選條件與指標定義,否則答案即使語句流暢,也可能讓使用者誤解其範圍或新鮮度。
以故障邊界與營運證據逐步導入
選擇架構時,不必一開始就建置完整資料平台。若資料量有限、查詢簡單且接近即時,獨立讀取副本加上帳號與查詢限制可能已足夠。當需求開始跨 ERP、CRM、IoT 或多個雲端來源,且需要長期歷史、共用指標與大量彙總時,再導入倉儲、CDC 與語意層通常更合理。關鍵決策條件包括可接受延遲、查詢不可預測程度、跨系統整合需求、敏感資料治理,以及團隊能否長期維護資料管線。
上線前應以真實查詢樣本進行容量與故障測試:讓大型報表、探索 SQL 與 AI 查詢同時執行,確認交易延遲不受影響;暫停複寫或 CDC,檢查系統是否清楚標示資料過期;模擬查詢閘道逾時與取消,確認連線與運算資源確實釋放。持續監控主庫負載、複寫延遲、查詢排隊時間、掃描資料量、取消率與資料新鮮度,才能判斷隔離是否真的有效,而不只是把問題搬到另一台資料庫。