Spring AI Tool 实现自然语言操作 MySQL 数据库详解

[1. 为什么需要自然语言操作数据库](#1. 为什么需要自然语言操作数据库)
[2. 核心原理：Spring AI Tool Calling](#2. 核心原理：Spring AI Tool Calling)
- [2.1 工作流程](#2.1 工作流程)
- [2.2 为什么不用 LLM 直出 SQL](#2.2 为什么不用 LLM 直出 SQL)
[3. 环境准备](#3. 环境准备)
[4. 项目搭建](#4. 项目搭建)
- [4.1 引入依赖](#4.1 引入依赖)
- [4.2 编写配置文件](#4.2 编写配置文件)
[5. 定义实体与 Repository](#5. 定义实体与 Repository)
- [5.1 员工实体](#5.1 员工实体)
- [5.2 Repository 接口](#5.2 Repository 接口)
[6. 定义数据库 Tool 方法](#6. 定义数据库 Tool 方法)
- [6.1 自动注册说明](#6.1 自动注册说明)
[7. 配置 ChatClient 与对外接口](#7. 配置 ChatClient 与对外接口)
- [7.1 配置类（可选）](#7.1 配置类（可选）)
- [7.2 Controller](#7.2 Controller)
[8. 运行与验证](#8. 运行与验证)
- [8.1 初始化测试数据](#8.1 初始化测试数据)
- [8.2 测试查询](#8.2 测试查询)
- [8.3 测试写入](#8.3 测试写入)
[9. 进阶优化与实践建议](#9. 进阶优化与实践建议)
- [9.1 控制工具返回数据量](#9.1 控制工具返回数据量)
- [9.2 提高工具选择的准确率](#9.2 提高工具选择的准确率)
- [9.3 安全与权限](#9.3 安全与权限)
- [9.4 可观测性](#9.4 可观测性)
[10. 总结](#10. 总结)

1. 为什么需要自然语言操作数据库

在传统业务系统里，用户查询数据必须依赖固定的界面表单、固定的接口或手写 SQL，业务人员无法用"查一下 IT 部薪资超过一万的员工"这样自然的表述直接拿到结果。大模型（LLM）虽然能理解自然语言，但它本身并不直接访问数据库，更不能可靠地生成并执行业务 SQL------这存在严重的安全与正确性风险。

Spring AI 提供的 Tool Calling（工具调用） 机制正好解决了这个问题：我们把对 MySQL 的访问能力封装成一组"受控的工具方法"，由大模型理解用户意图后，自动选择并调用合适的工具，再把查询结果组织成自然语言返回给用户。整个过程模型并不直接拼接 SQL，而是执行我们预先定义好的、参数化的数据库操作。

本文将带你从零搭建一个 Spring Boot + Spring AI + MySQL 的项目，实现：

用自然语言查询员工信息（按姓名、部门、薪资范围等）；
用自然语言新增员工记录；
理解 Tool Calling 的工作原理与安全边界。

2. 核心原理：Spring AI Tool Calling

2.1 工作流程

Spring AI 的 Tool Calling 流程可以概括为下图：
#mermaid-svg-9LLhQjfNFdOWlxHm{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9LLhQjfNFdOWlxHm .error-icon{fill:#552222;}#mermaid-svg-9LLhQjfNFdOWlxHm .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9LLhQjfNFdOWlxHm .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9LLhQjfNFdOWlxHm .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9LLhQjfNFdOWlxHm .marker.cross{stroke:#333333;}#mermaid-svg-9LLhQjfNFdOWlxHm svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9LLhQjfNFdOWlxHm p{margin:0;}#mermaid-svg-9LLhQjfNFdOWlxHm .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster-label text{fill:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster-label span{color:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster-label span p{background-color:transparent;}#mermaid-svg-9LLhQjfNFdOWlxHm .label text,#mermaid-svg-9LLhQjfNFdOWlxHm span{fill:#333;color:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm .node rect,#mermaid-svg-9LLhQjfNFdOWlxHm .node circle,#mermaid-svg-9LLhQjfNFdOWlxHm .node ellipse,#mermaid-svg-9LLhQjfNFdOWlxHm .node polygon,#mermaid-svg-9LLhQjfNFdOWlxHm .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9LLhQjfNFdOWlxHm .rough-node .label text,#mermaid-svg-9LLhQjfNFdOWlxHm .node .label text,#mermaid-svg-9LLhQjfNFdOWlxHm .image-shape .label,#mermaid-svg-9LLhQjfNFdOWlxHm .icon-shape .label{text-anchor:middle;}#mermaid-svg-9LLhQjfNFdOWlxHm .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9LLhQjfNFdOWlxHm .rough-node .label,#mermaid-svg-9LLhQjfNFdOWlxHm .node .label,#mermaid-svg-9LLhQjfNFdOWlxHm .image-shape .label,#mermaid-svg-9LLhQjfNFdOWlxHm .icon-shape .label{text-align:center;}#mermaid-svg-9LLhQjfNFdOWlxHm .node.clickable{cursor:pointer;}#mermaid-svg-9LLhQjfNFdOWlxHm .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9LLhQjfNFdOWlxHm .arrowheadPath{fill:#333333;}#mermaid-svg-9LLhQjfNFdOWlxHm .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9LLhQjfNFdOWlxHm .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9LLhQjfNFdOWlxHm .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9LLhQjfNFdOWlxHm .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9LLhQjfNFdOWlxHm .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9LLhQjfNFdOWlxHm .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster text{fill:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm .cluster span{color:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9LLhQjfNFdOWlxHm .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9LLhQjfNFdOWlxHm rect.text{fill:none;stroke-width:0;}#mermaid-svg-9LLhQjfNFdOWlxHm .icon-shape,#mermaid-svg-9LLhQjfNFdOWlxHm .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9LLhQjfNFdOWlxHm .icon-shape p,#mermaid-svg-9LLhQjfNFdOWlxHm .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9LLhQjfNFdOWlxHm .icon-shape .label rect,#mermaid-svg-9LLhQjfNFdOWlxHm .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9LLhQjfNFdOWlxHm .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9LLhQjfNFdOWlxHm .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9LLhQjfNFdOWlxHm :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 需要
不需要
用户输入自然语言
ChatClient 组装 Prompt 与工具元数据
大模型理解意图
是否需要调用工具
模型返回工具调用请求（方法名+参数）
Spring AI 定位并执行 @Tool 方法
通过 JPA/JDBC 访问 MySQL
工具执行结果回传给模型
模型组织自然语言回答
返回最终答复给用户

关键点在于：大模型并不自己写 SQL，也不直接连数据库 。它只会根据工具描述（description）判断该调哪个方法、传什么参数；真正的 SQL 由我们写的 @Tool 方法内部通过 Spring Data JPA 生成，参数经过预处理与绑定，天然规避 SQL 注入。

2.2 为什么不用 LLM 直出 SQL

让模型直接生成 SQL 再执行，存在三个明显问题：

安全风险 ：用户可通过 Prompt 注入诱导模型执行 DROP TABLE、全表删除等危险语句；
正确性难以保证：模型对表结构、字段名的把握不稳定，容易生成错误 SQL；
难以审计：SQL 由模型临时生成，排查问题困难。

而 Tool Calling 把数据库能力收敛为白名单方法，模型只能调用我们允许的操作，参数类型严格约束，既安全又可控。

3. 环境准备

开始编码前，请准备以下环境：

组件	版本/说明
JDK	17 及以上
Maven	3.8+
Spring Boot	3.4.x（本文以 3.4.5 为例）
Spring AI	1.0.0（GA 版本，基于 Tool Calling 新 API）
MySQL	8.x
大模型 API	OpenAI 兼容接口（可替换为通义千问、DeepSeek 等）

说明：本文示例使用 spring-ai-starter-model-openai 接入 OpenAI 兼容接口；如果你使用国产模型，只需替换为对应的 starter（如 spring-ai-alibaba-starter-dashscope）并修改配置，其余代码完全一致。

4. 项目搭建

4.1 引入依赖

在 pom.xml 中引入 Spring AI BOM 及所需依赖：

xml 复制代码

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.4.5</version>
        <relativePath/>
    </parent>

    <groupId>com.example</groupId>
    <artifactId>spring-ai-mysql-demo</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>spring-ai-mysql-demo</name>

    <properties>
        <java.version>17</java.version>
        <spring-ai.version>1.0.0</spring-ai.version>
    </properties>

    <dependencies>
        <!-- Web -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <!-- Spring AI：OpenAI 兼容模型 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-openai</artifactId>
        </dependency>

        <!-- 数据库：JPA + MySQL -->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-data-jpa</artifactId>
        </dependency>
        <dependency>
            <groupId>com.mysql</groupId>
            <artifactId>mysql-connector-j</artifactId>
            <scope>runtime</scope>
        </dependency>
    </dependencies>

    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>org.springframework.ai</groupId>
                <artifactId>spring-ai-bom</artifactId>
                <version>${spring-ai.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>
</project>

4.2 编写配置文件

application.yml 中配置模型与数据源：

yaml 复制代码

spring:
  application:
    name: spring-ai-mysql-demo

  # 大模型配置（OpenAI 兼容）
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://api.openai.com   # 可替换为兼容网关
      chat:
        options:
          model: gpt-4o-mini
          temperature: 0.2

  # MySQL 数据库
  datasource:
    url: jdbc:mysql://localhost:3306/spring_ai_demo?useSSL=false&serverTimezone=Asia/Shanghai&characterEncoding=utf8
    username: root
    password: ${MYSQL_PASSWORD}
    driver-class-name: com.mysql.cj.jdbc.Driver

  jpa:
    hibernate:
      ddl-auto: update   # 演示环境自动建表，生产请改为 validate/none
    show-sql: true
    properties:
      hibernate:
        format_sql: true

在 MySQL 中手动创建数据库：

sql 复制代码

CREATE DATABASE IF NOT EXISTS spring_ai_demo
    DEFAULT CHARACTER SET utf8mb4
    COLLATE utf8mb4_unicode_ci;

5. 定义实体与 Repository

5.1 员工实体

java 复制代码

package com.example.demo.entity;

import jakarta.persistence.*;

@Entity
@Table(name = "employee")
public class Employee {

    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;

    @Column(nullable = false, length = 64)
    private String name;

    @Column(length = 64)
    private String department;

    @Column(nullable = false)
    private Double salary;

    // 无参构造
    public Employee() {
    }

    public Employee(String name, String department, Double salary) {
        this.name = name;
        this.department = department;
        this.salary = salary;
    }

    // getter / setter 略
    public Long getId() { return id; }
    public void setId(Long id) { this.id = id; }
    public String getName() { return name; }
    public void setName(String name) { this.name = name; }
    public String getDepartment() { return department; }
    public void setDepartment(String department) { this.department = department; }
    public Double getSalary() { return salary; }
    public void setSalary(Double salary) { this.salary = salary; }

    @Override
    public String toString() {
        return "Employee{id=" + id + ", name='" + name + "', department='"
                + department + "', salary=" + salary + "}";
    }
}

5.2 Repository 接口

java 复制代码

package com.example.demo.repository;

import com.example.demo.entity.Employee;
import org.springframework.data.jpa.repository.JpaRepository;

import java.util.List;

public interface EmployeeRepository extends JpaRepository<Employee, Long> {

    List<Employee> findByNameContaining(String name);

    List<Employee> findByDepartment(String department);

    List<Employee> findBySalaryBetween(Double minSalary, Double maxSalary);

    List<Employee> findByDepartmentAndSalaryGreaterThanEqual(String department, Double minSalary);
}

6. 定义数据库 Tool 方法

这是整篇文章的核心。我们通过 @Tool 注解把数据库访问方法暴露给大模型，@ToolParam 注解用来描述参数含义，帮助模型正确传参。

java 复制代码

package com.example.demo.tool;

import com.example.demo.entity.Employee;
import com.example.demo.repository.EmployeeRepository;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Component;

import java.util.List;

@Component
public class DatabaseTools {

    private final EmployeeRepository employeeRepository;

    public DatabaseTools(EmployeeRepository employeeRepository) {
        this.employeeRepository = employeeRepository;
    }

    @Tool(description = "查询全部员工信息")
    public List<Employee> listAllEmployees() {
        return employeeRepository.findAll();
    }

    @Tool(description = "根据姓名关键词模糊查询员工，例如输入"张"可查到所有名字含张的员工")
    public List<Employee> searchEmployeesByName(
            @ToolParam(description = "员工姓名关键词") String name) {
        return employeeRepository.findByNameContaining(name);
    }

    @Tool(description = "根据部门名称查询该部门的所有员工")
    public List<Employee> getEmployeesByDepartment(
            @ToolParam(description = "部门名称，如研发部、市场部") String department) {
        return employeeRepository.findByDepartment(department);
    }

    @Tool(description = "查询薪资在指定区间内的员工，左闭右闭")
    public List<Employee> getEmployeesBySalaryRange(
            @ToolParam(description = "最低薪资（包含）") Double minSalary,
            @ToolParam(description = "最高薪资（包含）") Double maxSalary) {
        return employeeRepository.findBySalaryBetween(minSalary, maxSalary);
    }

    @Tool(description = "查询指定部门中薪资大于等于某个值的员工")
    public List<Employee> getEmployeesByDepartmentAndSalary(
            @ToolParam(description = "部门名称") String department,
            @ToolParam(description = "最低薪资") Double minSalary) {
        return employeeRepository.findByDepartmentAndSalaryGreaterThanEqual(department, minSalary);
    }

    @Tool(description = "新增一名员工，需要姓名、部门与薪资，返回保存后的员工信息")
    public Employee addEmployee(
            @ToolParam(description = "员工姓名") String name,
            @ToolParam(description = "所属部门") String department,
            @ToolParam(description = "薪资") Double salary) {
        Employee employee = new Employee(name, department, salary);
        return employeeRepository.save(employee);
    }
}

6.1 自动注册说明

在 Spring AI 1.0 中，@Tool 注解的方法会被 ToolCallingAutoConfiguration 自动扫描并注册为 ToolCallback。默认情况下，ChatClient 会自动加载这些工具，无需手动绑定。

但为了代码更直观、可控，我们也可以在构建 ChatClient 时显式指定。两种方式任选其一即可。

7. 配置 ChatClient 与对外接口

7.1 配置类（可选）

如果需要自定义系统提示词，可以写一个配置类：

java 复制代码

package com.example.demo.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ChatConfig {

    @Bean
    public ChatClient chatClient(ChatClient.Builder builder) {
        return builder
                .defaultSystem("你是一个友好的员工信息助手，请根据用户问题调用合适的数据库工具查询或新增员工，并用简洁的中文回答。")
                .build();
    }
}

7.2 Controller

java 复制代码

package com.example.demo.controller;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class ChatController {

    private final ChatClient chatClient;

    public ChatController(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping("/chat")
    public String chat(@RequestParam String message) {
        return chatClient.prompt(message).call().content();
    }
}

到这里，一个完整的最小可用版本就写好了。启动项目后，大模型即可根据自然语言自动调用 DatabaseTools 中的方法操作 MySQL。

8. 运行与验证

8.1 初始化测试数据

启动项目后，JPA 会自动创建 employee 表。我们先插入几条基础数据：

sql 复制代码

INSERT INTO employee (name, department, salary) VALUES
('张三', '研发部', 15000),
('李四', '研发部', 12000),
('王五', '市场部', 9000),
('赵六', '市场部', 11000),
('钱七', '财务部', 13000);

8.2 测试查询

模糊查询

请求：

bash 复制代码

curl "http://localhost:8080/chat?message=帮我查一下名字里带张的员工"

大模型内部会调用 searchEmployeesByName("张")，返回类似：

名字里带"张"的员工有：张三，研发部，薪资 15000。

部门查询

请求：

bash 复制代码

curl "http://localhost:8080/chat?message=研发部都有哪些人"

模型调用 getEmployeesByDepartment("研发部") 并组织回答。

组合条件查询

请求：

bash 复制代码

curl "http://localhost:8080/chat?message=查询研发部薪资大于等于13000的员工"

模型会调用 getEmployeesByDepartmentAndSalary("研发部", 13000)。

8.3 测试写入

请求：

bash 复制代码

curl "http://localhost:8080/chat?message=帮我新增一个员工，叫孙悟空，属于研发部，薪资18000"

模型会调用 addEmployee("孙悟空", "研发部", 18000)，保存后返回成功信息：

已成功新增员工：孙悟空，研发部，薪资 18000。

此时再去 MySQL 里 SELECT * FROM employee，可以看到新记录已经落库。

9. 进阶优化与实践建议

9.1 控制工具返回数据量

当表数据量很大时，listAllEmployees 这类全量查询可能把大量数据塞进模型上下文，既浪费 Token 又可能超限。建议：

增加分页参数 page、size，或限制默认返回条数；
对于大数据量统计分析，优先使用聚合查询（如 AVG、SUM），只把统计结果返回给模型。

9.2 提高工具选择的准确率

写好 @Tool 的 description：说明方法用途、适用场景与边界；
写好 @ToolParam 的 description：说明参数格式、枚举范围、示例值；
必要时在系统提示词中补充业务规则（如"部门名称必须使用规范全称"）。

9.3 安全与权限

Tool 方法即能力白名单，不要提供 executeNativeSql(String sql) 这类直接执行 SQL 的工具，否则相当于把数据库钥匙交给模型；
对写入类工具（新增、修改、删除）增加业务校验与权限控制，必要时要求二次确认；
生产环境关闭 ddl-auto=update，数据库账号只授予最小权限；
对敏感字段（如薪资）做脱敏或在 Tool 层过滤。

9.4 可观测性

建议记录每次工具调用的入参与返回结果（脱敏后），便于排查模型"答非所问"或"调用错误工具"的问题。可以结合 Spring AI 的 Advisor 或 AOP 统一拦截 @Tool 方法。

10. 总结

本文完整演示了如何用 Spring AI Tool Calling 实现自然语言操作 MySQL：

用 @Tool 把数据库查询/写入能力封装为白名单方法；
大模型理解用户意图后自动选择并调用合适工具；
工具方法通过 Spring Data JPA 生成参数化 SQL，安全可控；
模型将结果组织成自然语言返回给用户。

相比让 LLM 直接生成 SQL，这种方式在安全性、可控性和可维护性上都有明显优势，非常适合企业内部的智能问答、智能报表等场景。你可以在此基础上继续扩展更多工具（分页、统计、关联查询、更新、删除等），构建一个完整的自然语言数据库助手。

Spring AI Tool 实现自然语言操作 MySQL 数据库详解

目录

1. 为什么需要自然语言操作数据库

2. 核心原理：Spring AI Tool Calling

2.1 工作流程

2.2 为什么不用 LLM 直出 SQL

3. 环境准备

4. 项目搭建

4.1 引入依赖

4.2 编写配置文件

5. 定义实体与 Repository

5.1 员工实体

5.2 Repository 接口

6. 定义数据库 Tool 方法

6.1 自动注册说明

7. 配置 ChatClient 与对外接口

7.1 配置类（可选）

7.2 Controller

8. 运行与验证

8.1 初始化测试数据

8.2 测试查询

模糊查询

部门查询

组合条件查询

8.3 测试写入

9. 进阶优化与实践建议

9.1 控制工具返回数据量

9.2 提高工具选择的准确率

9.3 安全与权限

9.4 可观测性

10. 总结