产品详细介绍

PVML 是一款面向企业级场景的“虚拟数据库”与数据访问安全平台，它的核心理念类似于 VMware 虚拟化物理机器：在不改变底层数据库、不搬迁和复制数据的前提下，在现有基础设施之上快速“虚拟化”出无限个虚拟数据库，用于安全地支撑生成式 AI、BI 分析和对外数据服务。

1. 虚拟数据库：零数据迁移的抽象访问层

  • 零数据移动与复制：PVML 通过高性能 Golang 连接器直接连接现有数据库（如数据仓库、OLTP 数据库等），不需要将数据导出到新平台，也不需要建立冗余副本。
  • 无限虚拟数据库：在同一套底层数据之上，可以为不同业务线、项目组、合作伙伴或 AI 应用创建多个虚拟数据库，每个虚拟库拥有独立的权限、资源与安全策略。
  • 统一抽象层：虚拟数据库对上层应用（AI Agent、BI 工具、API 调用等）表现为标准数据源，对底层则是统一的访问与控制层，降低了多源异构数据的集成复杂度。

2. 基础设施层安全：在查询前就完成安全控制

  • 查询前置安全引擎：PVML 在查询真正进入底层数据库之前，对每一次请求进行安全校验与改写，将用户级权限、数据范围和可用性保护直接作用在查询层。
  • 独立于原生数据库权限：不依赖各个数据库自身的权限体系，IT 团队可以在 PVML 这一基础设施层统一定义和执行安全策略，确保跨数据源的一致性与可控性。
  • 细粒度用户级控制：支持基于用户、角色、业务单元等维度的动态权限控制，实现字段级、行级甚至场景级的数据访问限制。

3. 确定性 AI 防护：用数学护栏替代不可控 Agent 行为

  • 确定性 Guardrails（护栏）：PVML 采用自有的数学与规则引擎，对 AI Agent 的上下文和查询进行解析与约束，避免“越权提问”和“误暴露敏感数据”。
  • 上下文感知控制：根据会话内容、用户身份、数据敏感度等多维度信息，动态决定哪些数据可以被访问、以何种粒度返回。
  • 统一适配多种上层应用：同一套护栏机制可同时保护生成式 AI（如 ChatGPT、Claude）、BI 工具和自建 API 服务，避免各系统各自为政、策略不一致的问题。

4. 资源与成本控制：在压力到达生产库前就被“削峰”

  • 请求前置资源管控：在查询进入生产数据库之前，PVML 可对并发数、查询复杂度、扫描数据量等进行限制，防止 AI 或 BI 工具发起的“重查询”拖垮生产系统。
  • 防止不可控算力消耗：通过限流、配额、优先级等机制，避免因 AI 自然语言查询带来的不可预期计算成本飙升。
  • 高可用与保护策略：可配置可用性保护策略，在高峰期或异常流量下自动降级或延迟部分请求，保障关键业务系统稳定运行。

5. 统一可见性与可观测性：每个虚拟数据库都可审计

  • 集中定义与管理：所有虚拟数据库在 PVML 控制平面中统一创建、配置和管理，IT 团队可以清晰掌握每个虚拟库的用途、权限和访问边界。
  • 全链路审计日志：从用户请求、Agent 生成的查询，到底层数据库执行结果，再到返回给用户的最终回答，PVML 全程记录，形成完整审计轨迹。
  • 统一治理与合规支持：通过集中日志与可观测性，帮助企业满足内部审计、合规与监管要求，尤其适用于金融、保险、医疗等高合规行业。

6. AI 就绪：自动生成多种 AI 接入协议

  • 自动生成 AI 协议：每个虚拟数据库可自动生成 AI 就绪接口，包括 MCP、A2A、API 等协议，方便快速接入 ChatGPT、Claude 等主流大模型平台。
  • 自然语言实时分析：终端用户可以通过自由文本（自然语言）直接对接入 PVML 的数据进行实时分析，无需掌握 SQL 或复杂 BI 工具。
  • 可解释性与结果可信度：PVML 支持展示查询是如何生成和执行的，让用户理解结果来源，提升对 AI 分析结果的信任度。

7. 典型场景：内部赋能、跨部门协作与数据变现

  • 场景一：员工自助数据洞察
    某金融科技公司通过 PVML 为员工提供“与数据对话”的实时聊天界面，员工用自然语言即可查询实时业务数据，大幅缩短从问题到洞察的时间。
  • 场景二：跨业务单元数据协作
    某保险公司利用 PVML 将分散在不同业务单元的数据统一接入，在虚拟数据库层集中设置权限与隐私策略，实现跨部门共享数据而不暴露底层敏感信息，显著提升洞察质量与决策速度。
  • 场景三：安全的数据变现与对外服务
    企业可基于 PVML 向合作伙伴或第三方提供“基于数据的洞察”而非原始数据本身，通过虚拟数据库和隐私保护机制，既保障客户隐私与合规，又让第三方方便地从数据中提取价值，实现安全的数据变现。

简单使用教程

以下为一个从部署到接入 AI 应用的简化使用流程，实际生产环境可由 IT 团队按企业规范扩展与细化。

步骤一：连接现有数据库

  1. 部署 PVML 平台：在企业现有基础设施（本地或云环境）中部署 PVML 控制平面和必要的连接组件。
  2. 配置数据源连接：在 PVML 管理界面中，为现有数据库（如 PostgreSQL、MySQL、数据仓库等）创建连接，填写连接地址、认证方式等信息。
  3. 验证连通性：通过 PVML 提供的测试功能，确认各数据源连接正常、延迟与吞吐满足预期。

步骤二：创建虚拟数据库

  1. 新建虚拟数据库：在 PVML 控制台中选择“创建虚拟数据库”，指定其对应的底层数据源或多个数据源。
  2. 定义数据范围：选择该虚拟数据库可见的表、视图或逻辑数据集，可按业务域或项目进行划分。
  3. 设置基础元数据：为虚拟数据库配置名称、用途说明、所属业务线等，方便后续治理与审计。

步骤三：配置安全策略与 Guardrails

  1. 定义访问角色与用户：在 PVML 中创建角色（如“分析师”“运营”“外部合作方”等），并将企业身份系统中的用户或组映射到这些角色。
  2. 设置权限与数据范围：为不同角色配置字段级、行级访问控制，例如：屏蔽敏感字段、限制只看本部门数据等。
  3. 启用 AI Guardrails：为将被 AI Agent 使用的虚拟数据库启用确定性护栏策略，包括：
    • 限制可访问的表与字段；
    • 限制查询频率与复杂度；
    • 定义敏感数据的屏蔽或脱敏规则。

步骤四：接入 AI、BI 或 API 应用

  1. 生成接入协议：在虚拟数据库详情页中，获取自动生成的 MCP、A2A 或标准 API 端点信息。
  2. 配置到 AI 平台：在 ChatGPT、Claude 或企业内部大模型平台中，将 PVML 提供的端点配置为外部工具/数据源，使 AI 能够通过 PVML 访问数据。
  3. 接入 BI 工具或自建服务：将虚拟数据库当作标准数据源接入 BI 工具（如 Tableau、Power BI）或自建应用，通过统一的安全与资源控制层访问数据。

步骤五：监控与审计

  1. 查看访问日志：在 PVML 控制台中查看每个虚拟数据库的访问记录，包括用户、时间、查询内容与返回结果摘要。
  2. 分析 AI 会话轨迹：对 AI 聊天会话进行回溯，了解每条自然语言请求对应的底层查询与数据来源，评估策略是否合理。
  3. 持续优化策略：根据访问模式与审计结果，调整权限、限流和 Guardrails 配置，在安全、性能与易用性之间取得平衡。

通过以上步骤，企业可以在不改变现有数据库架构的前提下，快速搭建一个安全、可审计、AI 就绪的数据访问层，让生成式 AI、BI 分析和数据变现都在同一套虚拟数据库体系下安全运行。