夜雨聆风字数 2010，阅读大约需 11 分钟
DBeaver 又卡了。
不是第一次。点开一个 MySQL 连接，等它把 Java 虚拟机搓热了，我倒完一杯水回来，loading 还在转。内存吃了 1.2G，就一个三张表的测试库。
Navicat 倒是快，四位数价格，每次续费都觉得在被抢。TablePlus 挺好，macOS 限定，我这 Windows 和 Ubuntu 不配。
然后我在 GitHub trending 刷到了 dbx。
dbx，GitHub 开源，3.6K Star。说它是客户端不太准确。桌面版、Web 版、Docker 自托管版、CLI 命令行版，还内置了 MCP Server 让 AI 编程助手直接读你的数据库。五种形态，一个工具。
但最狠的是体积：15MB。
DBeaver 安装包 400MB 起步（还不算 JRE），Navicat 200MB+，DataGrip 就别提了。dbx 一个二进制文件，双击打开，不用装 JDK，不用装 Python，不用装 Node。
能做到 15MB，技术栈起了关键作用。Rust + Tauri 2 + Vue 3。Rust 写后端驱动层，Tauri 2 直接调系统原生 WebView 做渲染，不打包 Chromium。DBeaver 为什么慢？它是跑在 JVM 上的 Eclipse，启动要加载几百个插件，光框架本身就比 dbx 大十倍。Navicat 虽然 C++ 写的，二十年代码债堆在那，新功能硬往上摞，体积收不住。
我测了一组数据：
• 冷启动到主界面出现：不到 2 秒 • 空闲内存占用：80MB 左右 • 打开一个 10 万行的查询结果，滚动不卡
同样的查询在 DBeaver 上，先是等了 3 秒才出结果，滚动的时候还有半秒延迟。工具响应快慢直接影响工作效率。你查一个东西，等 3 秒和等 0.5 秒，脑子里的思路是完全不同的状态。
体积小归小，功能要是阉割得太厉害，那就从"轻量"变成"简陋"了。dbx 还算拎得清这点。
它支持 40+ 种数据库。MySQL、PostgreSQL、SQLite、SQL Server、Oracle 这些标配不用说了。Redis、MongoDB、Elasticsearch 也都有专门的浏览器页面。ClickHouse、DuckDB、Doris、StarRocks 这些 OLAP 引擎也在列表里。甚至达梦、人大金仓、openGauss 这种国产数据库也支持。
关系型、NoSQL、OLAP 一个窗口全管。以前我得开三个软件：DBeaver 连 MySQL，RedisInsight 看缓存，MongoDB Compass 查文档。现在一个窗口全搞定。
查询编辑器用的是 CodeMirror 6，SQL 语法高亮、自动补全、Cmd+Enter 执行、选中部分执行，这些基操就不啰嗦了。有一个细节我很喜欢：它的自动补全是元数据感知的。你连上数据库后，表名、字段名会被索引，打几个字母就弹出来，不用翻左边的目录树。
数据表格用了虚拟滚动，查 50 万行也不会卡。支持行内编辑，改完的数据会按颜色标记（绿=新增，橙=修改，红=删除），批量保存前还能预览要执行的 SQL。这个设计比 DBeaver 那种直接改直接提交的方式安全多了。
导出格式也很全：CSV、JSON、Markdown、XLSX、INSERT 语句。导出走 Rust 后端流式处理，大表导出不会卡 UI。
Schema 工具这块，ER 图可以直接生成表关系视图。Schema Diff 能对比两个库的表结构差异，自动生成 ALTER 语句。还有执行计划可视化、字段血缘分析。这些功能 Navicat 得加钱买 Premium 才有。
还有一个我经常用的：直接把 CSV、JSON、Parquet 文件拖进窗口，dbx 用内置的 DuckDB 引擎预览内容，不用先导入数据库。临时看个数据文件非常方便。
上面这些，算是一个数据库客户端该有的基本功。下面这些，才是 dbx 跟 DBeaver、Navicat 拉开身位的地方。
很多数据库客户端现在也号称"集成 AI"，做法就是嵌个聊天窗口，让你把 SQL 复制过去问。这不叫集成，这叫贴了个聊天框。
dbx 的 AI 助手是嵌在编辑器里的。选中一段 SQL，右键点"AI 解释"，它会直接告诉你这段查询在干什么、有没有性能问题、索引建议是啥。更实用的场景是：在编辑区用自然语言描述你要什么数据，它生成 SQL，生成完还自动跑一遍安全检查。DROP、TRUNCATE 这种危险操作会有二次确认。
可以接 OpenAI、Claude、DeepSeek，也兼容 Ollama 本地模型。自己带 Key，数据不出你指定的 endpoint。
说实话，这个 AI 功能的准确率取决于你用的模型本身，不是 dbx 的功劳。它真正做对了两个事：把 Schema 上下文塞进 prompt 里（所以生成的 SQL 表名字段名是对的），以及生成后帮你做安全检查。这两点恰恰是你在 ChatGPT 网页里写 SQL 最痛苦的。你得先把表结构抄过去，然后祈祷它别给错表名。
这个功能是我装上之后才发现的黑马。
dbx 内置了 MCP Server（Model Context Protocol）。你在 dbx 里配好的数据库连接，可以直接被 Claude Code、Cursor、Windsurf 这些 AI 编程工具调用。
启动 MCP Server 就一行命令：
npx @dbx-app/mcp-server然后在 .mcp.json 里配置一下：
{ "mcpServers": { "dbx": { "command": "npx", "args": ["-y", "@dbx-app/mcp-server"] } }}配好之后，你在 Cursor 里跟 AI 说"帮我查一下 users 表里最近 7 天注册的用户数量"，AI 可以直接通过 dbx 的 MCP 服务连上你的数据库、执行查询、把结果拿回来。不需要你手动导出数据再丢给 AI。
dbx 还提供了一个 CLI 工具：
npm install -g @dbx-app/clidbx connections list --jsondbx query local "select 1" --json这在写脚本和自动化场景里很有用。比如 CI/CD 里跑完部署后自动验证数据库连接是否正常。
桌面版直接去 GitHub Releases 页面下载对应系统的安装包：
• macOS： brew install --cask dbx• Windows： scoop bucket add dbx https://github.com/t8y2/scoop-bucket && scoop install dbx• Linux：AppImage 或 Snap，自行选择
也可以从 GitHub Releases 直接下载压缩包，解压即用。macOS 上首次打开如果提示安全问题，跑一下 xattr -cr /Applications/dbx.app。
Docker 部署也很简单，适合团队共享连接配置的场景：
docker run -d --name dbx -p 4224:4224 -v dbx-data:/app/data t8y2/dbx浏览器打开 http://localhost:4224 就是完整的 Web 版，功能跟桌面端一致。amd64、arm64 都支持，树莓派上也能跑。
用 docker-compose 的话，项目里自带了 deploy/docker-compose.yml，拿过来直接用就行。
夸了这么多，该说说不满意的地方。
• 触发器、存储过程的编辑支持还比较弱： 大部分数据库能浏览，但编辑体验跟 DataGrip 还是有差距。如果你日常大量写存储过程，dbx 目前只能算"能看不能打"。 • ER 图能力弱： ER 图虽然能生成，但只支持基础的 Chen 模型视图，没法做复杂的关系布局调整。导出也只有 SVG，不能导出 PNG。 • 插件生态还在早期： DBeaver 最大的护城河就是它的插件市场，各种数据库驱动、扩展功能。dbx 虽然有插件系统，但数量和质量都还没起来。 • 不支持数据库性能监控面板： 没有慢查询分析、没有连接池监控、没有实时 QPS 看板。如果你想在 dbx 里做 DBA 的工作，目前还不够。
不过换个角度想，15MB 的工具跟 400MB 的比功能深度，本来就不公平。dbx 的定位更像是"日常开发的数据操作终端"而不是"专业 DBA 运维平台"。
如果你跟我一样，每天在 MySQL、PostgreSQL、Redis 之间切来切去，受够了工具的启动速度和资源占用，dbx 是一个值得花十分钟装上试试的东西。它不完美，但在 "又快又小还能干活" 这个维度上，目前的开源选项里它排第一。
开源协议是 AGPL-3.0，所有功能免费。没有企业版、没有付费墙、没有功能阉割。
项目还在高速迭代，GitHub Issues 200 多个，Skyler 的提交频率很高，过去几个月几乎每天都有 commits。
GitHub 地址：
https://github.com/t8y2/dbx
