Hacker News 社区热议了一款名为 “Keenable SELECT” 的开源工具，该项目提出了一种独特的 Web 搜索交互方式。其核心创新在于允许用户使用 SQL（结构化查询语言）语法来驱动 AI 智能体执行互联网搜索任务。传统的 AI 搜索通常依赖自然语言对话，而 Keenable SELECT 将查询逻辑结构化，使用户能够像查询数据库一样查询全网信息。例如，用户可以编写 “SELECT title, summary FROM web WHERE topic = ‘chipset’”，AI 智能体便会自动理解语义，执行多步搜索，读取网页内容，并将结果整理成结构化的表格返回。这种设计极大地提升了数据提取的精确度和可控性，特别适用于需要批量收集特定字段信息的场景，如竞品监控、新闻聚合或学术资料整理。该项目目前托管于 GitHub，代表了 “Text-to-SQL” 与 “AI Agent” 技术融合的一种新尝试，为开发者提供了一种将大模型能力程序化、结构化调用的全新接口。
事件分析
SQL 作为数据领域的通用语言，具有极高的认知门槛优势。将 SQL 引入 AI Agent 调度层，实际上是解决当前 Agent 可控性差、输出格式不统一痛点的有效尝试。从技术架构看，这类工具通常结合了“意图识别”与“工具调用”，LLM 需先将 SQL 语句转化为具体的搜索策略，而非直接生成最终答案，这增加了中间过程的可调试性。对于产业而言，这种模式可能催生“面向 AI 的查询语言”的新分支，让传统的数据分析师无需学习复杂的提示词工程即可驾驭 AI 搜索能力。后续走向可能在于支持的 SQL 语法复杂度以及处理并发搜索请求的性能。如果能够结合 RAG（检索增强生成）技术，允许对本地私有数据和全网公开数据进行联合查询，将极大扩展其实际应用边界。
核心观点：用 SQL 语法封装 AI 搜索逻辑，实质是将不可控的自然语言交互转化为确定性的数据查询接口，有望成为连接数据专家与大模型能力的标准范式。
原文链接：Hacker News
评论前必须登录！
立即登录 注册