FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

一个CTE名字,足以骗过text-to-SQL智能体的只读防护

SQLGlot自称是转译器而非校验器,语法树上的安全规则,包括作用域解析,都得自己动手写。

分享微博

要点速览

  • 系统提示词只是建议,规则应写进代码和智能体碰不到的数据库权限里。
  • find_all(exp.Table) 只是起点,CTE 名称同样会以 Table 节点出现,需要用 build_scope 区分哪些名字是真实的表。
  • 解析成功不代表查询安全,每一个不确定的分支都必须以拒绝告终。
泳道式图表:六条 SQL 语句依次经过四道检查:解析(Parse)、SELECT、表(Table)、函数(Function)。只有 SELECT id, total FROM orders 通过全部检查并被执行。DELETE 在 SELECT 检查被拦下;SELECT * FROM salaries 和名为 salaries 的 CTE 在表检查被拦下;pg_sleep 在函数检查被拦下;乱码字符串 SELEC * FRM 止步于解析或 SELECT 检查。
防护只放行它确定能看懂的语句。与真实表同名的 CTE 能骗过基于名称的检查,但到了表检查这一关,会被模块的作用域解析拦下。

SQLGlot 的 README 说得很直白:SQLGlot 是转译器,不是校验器。你打算拿来当安全关卡的工具,自己就声明从来不是为这件事设计的。想让它守住什么,就得自己在语法树上写规则。

为什么在提示词里叮嘱智能体还不够?SurrealDB 一篇关于智能体越狱的文章说得简短:系统提示词只是建议,不是围栏。text-to-SQL 智能体一旦接入客户的数据库,规则就必须放在模型够不着的那一层。

本指南在你的笔记本上搭建这一层:一个 Python 函数,接收一段 SQL 字符串,要么返回审核通过的查询,要么抛出错误。最终得到的防护只允许一条 SELECT 语句,只能查 orders 和 customers 两张表,不能调用陌生函数。你需要 Python 3、pip install sqlglot,以及大约一小时。

这里的代码是用于学习的精简版。请在 requirements 文件中锁定 sqlglot 版本,并把文末的六条测试查询当作标尺:每次升级后,部署前都要重新跑一遍。

为什么用解析而不是正则?

SQLGlot 是一个纯 Python 编写、没有其他依赖的解析器,能把 SQL 字符串转换成代码可以遍历的抽象语法树(AST)。DEV Community 上一篇关于安全 text-to-SQL 的指南正是这样建议的:把生成的查询解析成 AST 来检查语义,比如确认其中只有 SELECT。

正则只看得到字符。语法树能告诉你真实的结构:orders 这个词究竟是表名、列名还是字符串字面量。下面整套防护都建立在这个区别之上。

第 1 步:解析出错就拒绝,绝不猜测

README 提到,解析器检测到语法错误时会抛出 ParseError。这就是防护的第一个分支:不尝试修复,不重试,直接拒绝。你还要求恰好只有一条语句,以拦截 SELECT 1; DROP TABLE orders 这类输入。

import sqlglot
from sqlglot import exp
from sqlglot.errors import ParseError

class Rejected(Exception):
    pass

def parse_single(sql: str) -> exp.Expression:
    try:
        statements = sqlglot.parse(sql, read="postgres")
    except ParseError as e:
        raise Rejected(f"解析错误:{e}")
    statements = [s for s in statements if s is not None]
    if len(statements) != 1:
        raise Rejected("必须恰好只有一条语句")
    return statements[0]

检查:调用 parse_single("SELECT 1; SELECT 2") 必须抛出 Rejected。这里用的是返回语句列表的 sqlglot.parse,而不是 README 示例中的 parse_one,因为防护需要统计语句数量。

第 2 步:只接受根节点为 SELECT 的语法树

解析器比较宽松,解析成功说明不了什么。第二条规则检查语法树本身:根节点必须是 SELECT,并且用 walk 遍历整棵树时,不能出现任何写数据的节点。

项目的 AST Primer 解释说,find 和 find_all 都构建在 walk 之上,因此要做最细粒度的控制,就用 walk。

FORBIDDEN = (exp.Insert, exp.Update, exp.Delete,
             exp.Drop, exp.Create, exp.Command)

def require_select(tree: exp.Expression) -> None:
    if not isinstance(tree, exp.Select):
        raise Rejected(f"根节点是 {type(tree).__name__},不是 SELECT")
    for node in tree.walk():
        if isinstance(node, FORBIDDEN):
            raise Rejected(f"禁止的节点:{type(node).__name__}")

FORBIDDEN 列表有意保持简短,因为“根节点必须是 SELECT”这条规则承担了大部分工作。

这么严格的根节点规则,也可能拦下 UNION 这类合法的读查询,具体取决于 sqlglot 如何为它们构建语法树。在测试集中加一条 UNION 查询,就能在你锁定的版本上确认结果。

过度拦截是有意为之:等客户确实需要时再放宽规则,不要提前放宽。

第 3 步:表白名单,以及 CTE 陷阱

README 里有个示例,用 find_all(exp.Table) 列出查询中的所有表,这自然成了白名单的起点。人人写出的第一版大致如下。

ALLOWED = {"orders", "customers"}

def naive_tables(tree):
    cte_names = {c.alias_or_name for c in tree.find_all(exp.CTE)}
    for t in tree.find_all(exp.Table):
        if t.name in cte_names:
            continue  # 假定是 CTE,跳过
        if t.name not in ALLOWED:
            raise Rejected(f"表不在白名单中:{t.name}")

为什么要有 cte_names?AST Primer 提醒,Table 节点并不总是数据库里的表,因为公用表表达式(CTE)的名称也会以 Table 的形式出现。如果不跳过它们,所有合法的 WITH 查询都会被拦下。

但按名字跳过会留下漏洞。看一个构造的测试用例:智能体生成 WITH salaries AS (SELECT * FROM salaries) SELECT * FROM salaries。在 CTE 主体里,salaries 是真实的薪资表;上面的函数看到名字与 CTE 相同,三处出现全部放行。

第 4 步:让 scope 模块判断哪些名字是真实的表

AST Primer 介绍了 scope 模块,这是一种能感知语义的遍历方式,知道每个名字引用的是什么:build_scope 会判断一个名字是物理表、CTE 还是子查询。这正是防护需要回答的问题。

from sqlglot.optimizer.scope import build_scope

def check_tables(tree: exp.Expression) -> None:
    root = build_scope(tree)
    if root is None:
        raise Rejected("无法构建作用域")
    for scope in root.traverse():
        for name, source in scope.sources.items():
            if isinstance(source, exp.Table) and source.name not in ALLOWED:
                raise Rejected(f"表不在白名单中:{source.name}")

在每个作用域内,类型为 exp.Table 的来源是真实的表;类型为子作用域的来源是 CTE 或子查询,其主体会在循环的后续轮次中单独检查。注意 root is None 这个分支:无法构建作用域同样属于不确定,因此也以拒绝告终。

再跑一次 salaries 的例子:这次 CTE 主体应当被拒绝,因为在那里 salaries 是物理表,而不是 CTE 名称。

第 5 步:别忘了函数

SELECT 仍然可以通过函数调用做危险的事。据 hoop.dev 介绍,PostgreSQL 默认会把函数和存储过程的执行权限授予 public 角色,所以只读角色照样能调用函数。防护应当拦截解析器不认识的函数调用。

def check_functions(tree: exp.Expression) -> None:
    for node in tree.find_all(exp.Anonymous):
        raise Rejected(f"函数不在白名单中:{node.name}")

def guard(sql: str) -> str:
    tree = parse_single(sql)
    require_select(tree)
    check_tables(tree)
    check_functions(tree)
    return tree.sql(dialect="postgres")

这一版经过简化,并且依赖一个需要你自行验证的假设:sqlglot 不认识的函数会变成 exp.Anonymous 节点。

下面的 pg_sleep 测试正是为了检验这个假设;如果它能通过,说明这项检查还不够。在生产环境中,应把它反过来改成函数白名单,例如只允许 COUNT、SUM 和 DATE_TRUNC,并在数据库层面收回执行权限。

收工前的六条测试查询

用 guard 跑这六条查询并记录结果。SELECT id, total FROM orders 必须通过。DELETE FROM orders 必须在第 2 步被拦截,SELECT * FROM salaries 必须在第 4 步被拦截。salaries 那条 CTE 查询必须被拦截,SELECT pg_sleep(10) 也一样;SELEC * FRM 这样的乱码字符串必须停在第 1 步或第 2 步。

最后一条给出的教训最重要。你不需要知道宽松的解析器会把乱码变成什么,因为每个不确定的分支都通向拒绝。最常见的错误恰恰相反:只拦截列出来的坏情况,其余一律放行。

今天就把这六条查询保存为 pytest 测试。任何一条结果出乎意料,都说明代码在某处对 sqlglot 构建语法树的方式做了错误假设;每次升级锁定的 sqlglot 版本后,也正是这些测试告诉你防护是否依然有效。

你的防护不是最后一道防线

SurrealDB 把问题讲得很清楚:如果数据库拒绝执行某条语句,智能体是怎么被骗着生成它的就不再重要。DEV Community 的指南同样建议,数据库用户只授予特定非敏感表的 SELECT 权限,并以只读连接作为最后一层防御。

即便这一层也有局限。PostgreSQL 关于 SET TRANSACTION 的文档说明,只读是一个高层概念,并不能阻止所有写盘操作。所以要叠加三层:AST 防护、最小权限角色、只读事务,并且不把其中任何一层当作唯一防线。

这项技能在客户现场是什么样子

在把 text-to-SQL 智能体接入客户数据库之前,先准备好一个问题的答案:智能体能碰哪些表?代码评审中的白名单文件、在 CI 里运行的攻击测试集、数据库角色的授权,都是别人可以核验的东西,系统提示词做不到这一点。

如果你正准备转向前线部署工程师(FDE)岗位,可以把这个防护和测试放到 GitHub 上,并在简历里写清它具体做了什么:拦截非 SELECT 语句、通过作用域解析 CTE、解析出错即拒绝。申请那些要让智能体接触真实客户数据的岗位时,这是一个值得带进面试的例子。

到客户现场的第一天,别先打开提示词。先要一份智能体真正需要的表清单,再让白名单和授权与这份清单严格一致。

这篇文章对你有帮助吗?

6 个信源
路线图上的下一篇 · 阶段 3: AI 应用LLM 评分修正循环,难在知道何时停下Anthropic 的参考模式只在 PASS 时返回,不限轮数;面向真实客户的版本必须自己设好出口。