数据库Schema设计器(免费版)

一套可复用的"软Schema"设计方法:主干硬、尾巴软,三层演进。安装后,Agent可据此指导用户真正构建出灵活可演进的数据库结构,适配需求频繁变化的早期阶段。

概述

在数据建模实践中,最大的痛点不是"如何写SQL",而是"需求还没定型时怎么建表"。传统硬Schema要求字段提前确定,一旦业务变化就需要执行ALTER TABLE,迁移成本高、风险大。本Skill提供一套"软Schema"设计方法论,通过"原始层+软字段层+业务视图层"三层结构,让数据库能够在保持主干稳定的同时,灵活承载多变的字段需求。

免费版聚焦核心建模能力,适合个人开发者与小型项目快速上手。

核心能力

三层模型

输入: 用户提供三层模型所需的指令和必要参数。 处理: 解析三层模型的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回三层模型的响应数据,包含状态码、结果和日志。

三条核心心法

1. 主干硬、尾巴软 — 固定列只放:谁、何时、从哪来、类型;其余进JSON/键值对。
2. 先全量保留,再按需提键 — 原始数据完整落库;需要查询统计时再写入键值对或业务表。
3. 分层演进 — 原始层 → 软字段层 → 业务视图层;缺什么再补什么,避免过度设计。

输入: 用户提供三条核心心法所需的指令和必要参数。 处理: 解析三条核心心法的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回三条核心心法的响应数据,包含状态码、结果和日志。

核心功能执行

用input_params参数进行配置。

输入: 用户提供核心功能执行所需的指令和必要参数。 处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：面向开发者的轻量、级数据库、Schema、设计助手、SQLite、与三层演进、快速落地灵活数据、存储方案、数据库、设计器、免费版、是一套面向独立开、发者与小团队的轻、量级数据库建模工、主干硬、尾巴软、设计哲学、帮助用户在需求不、确定阶段快速构建、可演进的数据库结、核心能力、提供原始层、软字段层、业务视图层三层建、模方法论、内置个人知识库、政策信息收集、财务报表收集等场、景模板、JSON、软字段存储与键值、对索引混合策略、提供中文全文检索、的基础实现思路、FTS、LIKE等。

使用场景

场景1:个人知识库搭建

用户意图: "我想做一个个人知识库,收藏微信文章、网页片段、读书笔记。"

推荐主干: id, created_at, source, content_type, raw_content 推荐软字段: title, tags, url, project, deadline

输入格式

CREATE TABLE knowledge_items (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  created_at TEXT NOT NULL DEFAULT (datetime('now')),
  source TEXT NOT NULL,
  content_type TEXT NOT NULL,
  raw_content TEXT NOT NULL,
  extra JSON
);
CREATE INDEX idx_knowledge_source ON knowledge_items(source);
CREATE INDEX idx_knowledge_created ON knowledge_items(created_at DESC);

场景2:政策信息收集

用户意图: "我要收集政府补贴政策,按行业和金额筛选。"

推荐主干: id, created_at, source, source_type 推荐软字段: title, release_date, issuing_org, policy_type, url, policy_no, industry, subsidy_amount

场景3:财务报表归档

用户意图: "收集上市公司财报数据,要能按公司和报告期查询。"

推荐主干: id, created_at, source, source_type 推荐软字段: company, report_type, report_date, revenue, net_income, total_assets, roa, roe

金额字段统一存"元",避免单位混乱;report_type可作为业务视图的category字段。

不适用场景

以下场景数据库Schema设计器(免费版)不适合处理：

• 数据库架构设计决策
• NoSQL选型
• 数据仓库ETL设计

触发条件

需要数据库操作、SQL查询、数据存储管理时使用。不适用于非本工具能力范围的需求。

快速开始

Step 1:Discovery需求澄清

Agent主动向用户确认以下信息,并记录到对话中:

Step 2:选择场景模板

根据用户描述,选择最接近的场景并适配。参考"使用场景"章节的模板表。

Step 3:生成并落地Schema

1. 复制下方"配置示例"中的建表模板到用户项目。
2. 按Discovery结果做最小修改:
   • 调整source_type的CHECK枚举;
   • 如需FTS,取消messages_fts相关注释;
   • 业务视图层按需新增视图。
3. 在用户项目中创建data/目录,指定db路径(如data/flexible.db)。

Step 4:验证清单

• 建表成功,无报错
• 能归档一条测试数据
• 能按分类/字段查询
• 全文搜索(若启用)可用;中文检索用3-5个短语实测
• 若预期>5000条,已评估LIKE性能或选用替代方案

示例

通用建表模板

-- 原始层:全量保留
CREATE TABLE IF NOT EXISTS items (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  created_at TEXT NOT NULL DEFAULT (datetime('now')),
  updated_at TEXT,
  source TEXT NOT NULL,
  source_type TEXT NOT NULL CHECK(source_type IN ('web','api','manual','file','chat')),
  content_type TEXT,
  raw_content TEXT NOT NULL,
  content_hash TEXT,
  extra JSON,
  deleted INTEGER NOT NULL DEFAULT 0
);
CREATE INDEX IF NOT EXISTS idx_items_source ON items(source);
CREATE INDEX IF NOT EXISTS idx_items_created ON items(created_at DESC);
CREATE INDEX IF NOT EXISTS idx_items_hash ON items(content_hash);
# ...
-- 软字段层:键值对索引(高频查询字段)
CREATE TABLE IF NOT EXISTS item_kv (
  item_id INTEGER NOT NULL,
  key TEXT NOT NULL,
  value TEXT,
  PRIMARY KEY (item_id, key),
  FOREIGN KEY (item_id) REFERENCES items(id) ON DELETE CASCADE
);
CREATE INDEX IF NOT EXISTS idx_kv_key_value ON item_kv(key, value);
# ...
-- 业务视图层:按需物化(示例:知识库视图)
CREATE VIEW IF NOT EXISTS v_knowledge AS
SELECT i.id, i.created_at, i.source,
       kv_title.value AS title,
       kv_tags.value AS tags,
       kv_url.value AS url,
       kv_project.value AS project
FROM items i
LEFT JOIN item_kv kv_title ON i.id = kv_title.item_id AND kv_title.key = 'title'
LEFT JOIN item_kv kv_tags  ON i.id = kv_tags.item_id  AND kv_tags.key  = 'tags'
LEFT JOIN item_kv kv_url   ON i.id = kv_url.item_id   AND kv_url.key   = 'url'
LEFT JOIN item_kv kv_project ON i.id = kv_project.item_id AND kv_project.key = 'project'
WHERE i.deleted = 0;
# ...
-- 可选:全文检索(中文需配合LIKE回退)
-- CREATE VIRTUAL TABLE IF NOT EXISTS messages_fts USING fts5(
--   content, content='items', content_rowid='id'
-- );

归档一条数据

sqlite3 data/flexible.db "INSERT INTO items (source, source_type, content_type, raw_content, extra) VALUES ('manual', 'manual', 'text', '测试第一条记录', '{\"title\":\"示例\",\"tags\":\"工作\"}');"

查询数据

# 列出最近10条
sqlite3 data/flexible.db "SELECT id, created_at, source, content_type FROM items WHERE deleted=0 ORDER BY created_at DESC LIMIT 10;"
# ...
# 按字段查询
sqlite3 data/flexible.db "SELECT i.id, i.raw_content FROM items i JOIN item_kv kv ON i.id=kv.item_id WHERE kv.key='tags' AND kv.value LIKE '%工作%';"
# ...
# 统计
sqlite3 data/flexible.db "SELECT source, COUNT(*) FROM items WHERE deleted=0 GROUP BY source;"

最佳实践

中文全文检索策略

实现要点: 查询层实现recall(keyword):先FTS,无结果则LIKE;中文可加短词拆分。LIKE '%x%'无法用索引,数据量大时需评估性能。

命名规范

• 软字段key统一使用snake_case
• 多个来源的字段加命名空间前缀(如wx_title、web_title)
• 主干字段保持稳定,避免频繁ALTER
• JSON字段避免深层嵌套(建议≤3层)

反模式清单(必须避免)

• 一上来穷举所有可能字段 → 改表成本高
• 软字段key随心所欲 → 约定snake_case、命名空间
• 所有查询都扫JSON → 高频条件应提键值对并建索引
• 没有原始层 → 无法回溯、补字段
• 中文全文检索只依赖FTS5 → unicode61对中文不友好,需FTS+LIKE回退
• LIKE '%x%'用于万级数据 → 全表扫描,应评估或改用外部搜索引擎
• PDF只存路径不提取正文 → 无法全文检索,需在归档时提取并写入raw_content

常见问题

Q1: 什么时候该用软Schema,什么时候该用硬Schema?

A: 需求稳定、字段明确、查询模式固定时用硬Schema;需求频繁变化、字段来源多样、查询模式未定型时用软Schema。两者不冲突,可混合使用:主干用硬Schema,扩展字段用软字段。

Q2: JSON字段查询性能差怎么办?

A: 把高频查询字段从JSON提取到item_kv键值对表并建索引;低频字段保留在JSON中按需查询。数据量超过5000条时务必评估LIKE性能。

Q3: 中文FTS检索召回率低怎么办?

A: 实现短词拆分策略,把长短语拆成2-4字短词分别查询取并集;数据量大时考虑接入jieba分词或迁移到Meilisearch。

Q4: 如何处理重复数据?

A: 在归档时计算content_hash(如MD5或SHA1),写入content_hash字段并建唯一索引,归档前先查询hash是否存在。

Q5: 软删除和硬删除怎么选?

A: 推荐deleted标记字段做软删除,定期清理可批量UPDATE;硬删除仅在数据合规要求物理删除时使用,需同步清理item_kv等关联表。

已知限制

本免费体验版限制以下高级功能:

• 不支持批量导入(单次处理≤10条)
• 不支持自定义抽取器模板(仅提供基础字段提取)
• 不支持多数据库适配(仅支持SQLite,PostgreSQL/MySQL需专业版)
• 不支持性能诊断与索引优化建议
• 不支持团队协作与Schema版本管理

解锁全部功能请使用专业版: db-schema-designer-pro

• 当前为免费版本,如需完整功能请升级到付费版获取全部能力

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
• 操作系统: Windows / macOS / Linux
• Python: 3.8+(可选,用于运行辅助脚本)
• SQLite: 3.35+(支持JSON1扩展)

依赖详情

API Key 配置

• 本skill基于Markdown指令规范,无需额外API Key
• 如需LLM抽取器,使用Agent平台内置LLM即可

可用性分类

• 分类: MD+EXEC(纯Markdown指令,部分功能需exec命令行执行)
• 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent完成操作

错误处理