作者在NL2SQL流程里加了一道sqlglot校验，用来禁删表、禁SELECT *、强制加LIMIT。sqlglot是一个纯Python的SQL解析器，能把SQL语句解析成抽象语法树（AST），并在AST层级做安全审查——不依赖正则匹配，而是真正理解SQL语义。它支持31种数据库方言，能自动识别并统一处理语法差异。在AI生成SQL的场景下，这层AST级校验等于给模型的输出加了一道「不应该做什么」的硬约束，比事后人工review更早、更可靠地拦截风险。

作者在接千问模型前，先用了一个「docs-langchain的MCP」来查官方文档。MCP（Model Context Protocol）是Anthropic在2024年推出的开放协议，让AI工具以统一方式发现并调用外部工具。它只有三个角色：MCPServer（封装内部系统）、MCPClient（AI工具的连接器）、Transport层（stdio或SSE）。一个服务写好，所有AI编程工具就能即插即用，维护成本直接归零。这背后是AI编程从「给每个工具写一套对接代码」到「配置即集成」的范式转变。

作者说「多花10分钟测试，省下半天debug」，但行业数据在打另一张牌：Jellyfish 2025年报告显示AI代码吞吐量提升约2倍，但PR审查时间增加了91%；Sonar研究发现AI生成代码中「代码异味」占比超90%；Entelligence AI披露44%的AI Token消耗用于修复AI自己写的Bug。同一笔账两种算法：一边是单次debug时间缩短，一边是整体维护成本飙升。关键变量不在AI写代码快不快，而在团队有没有建立像作者那样的「测试先行+文档闭环」机制来兜住质量底线。

作者用「让AI写最小测试文件→拿到真实字段→追加到文档→再写集成代码」这个循环，大幅降低了后端联调风险。当下能看到的关键变量是：AI编程工具正从「代码补全」进化到「代理化」阶段，但接口版本变迁、字段不符等隐蔽问题依然要靠人的测试来发现。未来1-2年内，AI编程工具很可能内置「自动生成最小测试文件+自动化验证」的能力——写完代码立即跑通并返回字段快照，让开发者不再需要手动建.py文件。拐点不在模型更强，而在工具链能不能把「测试先行」做成默认流程。

作者的核心主张是「你维护的不是代码，是一份越来越准的文档」。但问题来了：文档本身也是人工维护的，人更新文档的意愿和准确度在团队里一直是个难题。当AI按文档写代码，但文档和实际接口有偏差时，debug成本反而比直接读代码更高。更值得追问的是：如何设计一套「文档即测试」的闭环——让文档里的字段规范自动生成测试用例，确保文档和代码始终双向绑定，而不是靠人的纪律？