你把一份几十万行的行程表交给 AI，只问一句：“超过 10 英里的有多少条？”常见做法是让 AI 临时写一段 Python，运行后再读结果。它可能先猜字段名，也可能没检查文件结构。DuckDB 团队现在给出另一条路：让 Claude Code——Anthropic 面向编程任务的 AI 代理——直接调用 DuckDB 查询数据。
DuckDB 是一种运行在本机程序或命令行里的分析型数据库。它不要求用户先搭一台数据库服务器，能直接查询 CSV、Parquet 等文件。新发布的 duckdb-skills 插件，则把这些能力整理成代理技能：一组告诉 AI 何时调用工具、怎样组织命令和处理结果的说明。
值得先划清边界：这是 DuckDB 团队为 Claude Code 制作的插件，不是 DuckDB 已经成为 Claude 的内置功能，也不是 Anthropic 宣布的官方集成。本文所述功能和演示均来自 DuckDB 官方博客，目前没有独立媒体、Anthropic 材料或复现实验交叉验证。
表面聊人话，底下跑 SQL
官方演示里，用户询问一个 Parquet 文件中有多少段出租车行程超过 10 英里。Parquet 是面向分析的列式文件格式，会把同类字段放在一起，筛选或汇总少数几列时通常更省工。
Claude 第一次写出的 SQL 使用了并不存在的 distance 列。DuckDB 返回错误，并提示候选字段是 trip_distance。Claude 随后修改查询，得到 184,362 条。
这个例子展示的重点不是数字本身。184,362 只属于博客所用、但没有提供的数据文件，不能当作公开数据集结论。真正值得看的是分工：用户用自然语言提问，Claude 把问题翻译成 SQL；DuckDB 执行查询并返回结果或错误；Claude再据此修正命令，并把答案翻译回人话。
这相当于给 AI 配了一位只负责查表的助手。语言模型负责理解意图和组织步骤，数据库负责执行明确的计算。不过，官方所谓“精确答案”需要附带条件：只有数据、查询逻辑和类型处理都正确，结果才谈得上准确。一次成功纠错也不代表 Claude 每次都能选对字段或修好 SQL。
不只查本地表格
据 DuckDB 官方博客，插件覆盖了几类常见工作。read-file 用来读取并检查数据文件；query 可针对文件或已经挂载的数据库运行 SQL，也能接收自然语言问题；convert-file 负责格式转换，例如把 CSV 转成 Parquet。attach-db 则会挂载 DuckDB 数据库，并把它记录进当前项目的会话状态，供其他技能继续使用。
它还把能力伸向远程和空间数据。s3-explore 面向 S3、GCS、MinIO 等对象存储——企业集中存放大量文件的低成本底座；spatial 可处理距离、最近邻、空间连接和地理查询。官方还称，它可以访问需要登录的 Apache Iceberg 表。Iceberg 是建立在对象存储之上的表格管理层，为数据补上结构、版本和事务管理。
换句话说，这个插件想把“电脑上的一个文件”“互联网上的文件”和“企业湖仓里的表”尽量收拢成相似的查询体验。但官方所说的广泛文件支持仍取决于格式、扩展、认证方式和运行环境，不能理解为任何文件都能直接读取。
插件还提供文档搜索、查找过去 Claude Code 会话记录，以及安装或更新 DuckDB 扩展等技能。各技能都有适用场景描述，因此用户既可以输入 /duckdb-skills:skill-name，也可以直接说“把这个 CSV 转成 Parquet”，由 Claude Code尝试自动选择。后者是官方描述的行为，不是每次运行都可靠的保证。
数据库又被藏起来了一层
DuckDB 的来路与这次插件很呼应。据荷兰国家数学与计算机科学研究中心 CWI 介绍，联合创始人 Hannes Mühleisen 曾注意到，一些最需要数据库的数据工作者反而会避开数据库，因为传统系统安装和配置麻烦。他与 Mark Raasveldt 因而尝试把“嵌入应用即可使用”的便利带到大规模分析中。
duckdb-skills 又把数据库藏深了一层。过去，用户可以不搭服务器，直接运行 DuckDB；现在，用户甚至可以不先写 SQL，只描述自己想知道什么。对 DuckDB 来说，这也是角色变化的信号：它不再只是供程序嵌入的分析引擎，也开始被包装成 AI 代理的数据执行层。
插件安装后可在后续 Claude Code 会话中使用，但本机仍需安装 DuckDB CLI——也就是命令行版本；若没有检测到，技能会提出安装。插件还用每个项目共享的 state.sql 保存 ATTACH、USE、LOAD 等恢复会话所需的语句，以及 secrets 和 macros。它让后续会话能够接着工作，也意味着这份状态文件需要被妥善管理。
局限与未知
- 现有功能说明和示例全部来自 DuckDB 官方博客，尚缺少独立测试，无法判断自动选技能、纠错和远程访问在复杂环境中的稳定性。
- 文件、对象存储和 Iceberg 的实际可用范围受格式、扩展、认证与运行环境影响；官方概括不能视为无条件兼容承诺。
- 当前材料没有提供性能对比，也没有证明它一定比 Python 工作流更快。更稳妥的判断是：它减少了临时脚本和工具切换，并把常见数据操作整理成了代理可重复调用的流程。