动态

详情 返回 返回

BaikalDB MCP Server ：鏈接數據庫和AI的直通橋 - 动态 详情

導讀

BaikalDB作為服務百度商業產品的分佈式存儲系統，支撐了整個廣告庫海量物料的存儲。在大語言模型LLM蓬勃發展的現在，想在大模型裏使用BaikalDB裏的數據進行分析，都需要複雜的定製開發。看BaikalDB如何藉助模型上下文協議(MCP)，讓數據庫對話像聊天一樣簡單——無需編寫代碼，大語言模型即可完成複雜數據分析。

01 引言

在2025年以前，大語言模型（Large Language Model‌，LLM）想要使用數據庫的數據，都需要開發人員設計接口、開發Agent插件、構建Prompt等費時費力的一系列定製開發；同時面對不同大模型的差異，還需要額外的重複性工作進行適配。

隨着模型上下文協議（Model Context Protocol，MCP）的標準化普及，這一局面被徹底重構。MCP通過定義統一的上下文交互規範，為應用程序與AI模型建立了 “通用通信協議”。

基於此，BaikalDB團隊創新推出‌BaikalDB MCP Server‌，將其打造為連接LLM與分佈式存儲系統的 “智能USB接口” ——該方案具備三大核心價值：

1. 零開發集成‌：支持主流LLM通過標準化協議直接訪問BaikalDB，無需編寫任何適配代碼。

2. 全鏈路自動化‌：從自然語言意圖理解、SQL智能生成到查詢執行與數據分析，實現端到端閉環。

3. 多模型兼容性‌：屏蔽底層技術差異，一套接口適配GPT、Claude、文心一言等各類大模型。

02 MCP: AI USB接口

2024年11月由Anthropic公司提出的模型上下文協議MCP，是一種標準化的大模型與外部數據源、工具交互的開放協議。來源於USB接口範式的設計靈感，MCP的核心思想在於：通過創建一個通用的標準（如USB接口設計），解決大語言模型與外部系統間的“信息孤島” 問題，該協議通過三大核心原則重構AI開發生態：

1. 即插即用標準化：定義統一的上下文交換格式，使大模型與數據源/工具的對接效率提升80%以上。

2. 組件解耦化：支持不同AI模塊的熱插拔組合，開發者可像搭積木般構建複雜AI系統。

3. 語義透明化：通過標準化上下文標記，實現跨組件意圖傳遞的零損耗。

圖片

△MCP設計理念

2.1 MCP 組成

如上圖所示，MCP 由三個核心組件構成：MCP Host、MCP Client 和 MCP Server：

圖片

官方文檔鏈接：

https://modelcontextprotocol.io/clients

https://modelcontextprotocol.io/quickstart/client

https://modelcontextprotocol.io/quickstart/server

https://github.com/modelcontextprotocol/servers?tab=readme-ov-file

MCP Server的三類能力：

  • 工具類（Tools）——  模型的「智能外設」

     供模型調用的函數或服務，用於執行特定任務。如一個天氣查詢工具，獲取指定城市的天氣信息。

  • 資源類（Resources）——模型的「知識庫」

     供模型讀取的數據源，如文件數據或 API 響應內容，為模型提供了豐富的上下文信息，增強了模型的理解能力。

  • 提示詞（Prompts）——模型的「操作指南」

     預先編寫的模板，旨在幫助用户完成特定的任務，通常是為了優化工具或資源的使用，提供一種更高效、更準確的交互方式。

MCP Client和Server之間的三種通訊方式：

  • STDIO 傳輸

     MCP Server運行在本地。

     通過標準輸入（stdin）和標準輸出（stdout）建立雙向通信，1對1服務。

  • SSE 傳輸

     MCP Server運行在本地或遠程運行。

     通過服務器發送事件協議（SSE）進行通信，支持N對1服務。

     在 2024-11-05 版本廢棄，被 Streamable HTTP 替代，後者將 SSE 作為可選的流式傳輸機制納入其中。

  • Streamable HTTP 傳輸

     MCP Server運行在本地或遠程運行。

     通過可流式HTTP傳輸協議通信，支持N對1服務。

     支持流式傳輸，適合大數據量場景，提供更靈活的傳輸能力

2.2 MCP 流程

文心快碼Comate是百度基於文心大模型開發的智能代碼助手，旨在通過AI技術重構編程流程，提升開發效率與代碼質量。目前Comate不僅支持‌‌智能代碼生成‌、單元測試生成等功能，還支持接入外部MCP Server與大模型進行交互。

以在文心快碼Comate裏通過BaikalDB MCP Server對BaikalDB數據進行查詢分析舉例：

圖片

1. MCP Host：Comate Desktop 作為 Host，負責接收提問【分析42601969用户在 2023-3月每天的轉化總數，按照時間升序排序，用折線圖展示，並分析趨勢走向 】並與大模型交互。大模型解析提問，並生成對應的SQL。

2. MCP Client：當大模型決定需要baikaldb\_mcp/read\_query Tool，Comate 中內置的 MCP Client 會被激活。這個Client負責與BaikalDB MCP Server建立鏈接並調用read_query工具。

3. MCP Server：BaikalDB MCP Server被調用，接收、執行查詢語句，最終返回SQL執行結果。

完整執行流程：你的問題 → Comate Desktop → 大模型 → 需要查詢BaikalDB表，並生成對應SQL → MCP Client 連接 → BaikalDB MCP Server → 執行SQL並返回結果 → Comate生成回答 → 生成折線圖。

MCP架構設計使得如Comate等LLM應用，可以在不同場景下靈活調用各種工具和數據源，而開發者只需專注於開發對應的 MCP Server，無需關心 Host 和 Client 的實現細節。

03 BaikalDB MCP Server

3.1 BaikalDB MCP Server主要功能

BaikalDB MCP Server提供了以下功能，支持大模型直接和BaikalDB數據庫進行交互：

  1. 工具類（Tools）：大模型可以根據上下文按需調取的直接和BaikalDB交互的工具。
  • 鏈接操作：鏈接到指定的BaikalDB庫

     connect_baikaldb：給定鏈接信息（包括host，port，username，password，database），連接到對應的BaikalDB數據庫，使用過程中支持動態切換不同的BaikalDB集羣。

  • 查詢操作：包括獲取庫表信息，執行SELECT/DML SQL，分析SQL索引使用掃描量等。

     show_all_databases：獲取所有的數據庫列表信息。

     db_overview：獲取指定數據庫中所有表的概覽信息。

     table_overview：獲取指定表的概覽信息，包括：表結構（show create table）、表示例數據（select * from table limit 3）。

     read_query：執行select sql並返回csv結果數據，大模型拿到結果可以進行智能分析、智能繪圖等等。

     write_query：執行建刪表、插入刪除變更等dml sql並返回操作結果。

     analyze_select_query：分析查詢SQL執行情況：使用的索引，索引掃描/過濾/反查行數等，支持大模型進行索引分析推薦。

  • 模板操作（優化複雜場景使用）：支持預先導入模板SQL（如百度智能雲推出的Sugar BI SQL模板），幫助大模型理解業務邏輯，後續大模型可在模板SQL基礎上改寫查詢分析，並支持基於模板進行二次查詢（如再次聚合），不同BaikalDB用户之間模板不共享。

     get_all_bi_sql_template_list：查詢當前BaikalDB用户已導入的SQL模板列表。

     get_bi_sql_template_detail：獲取SQL模板詳細信息，包括SQL模板，相關表Schema等。

     add_bi_sql_template：指定模板説明，模板SQL等，添加新的SQL模板。

     delete_bi_sql_template：刪除指定的SQL模板。

2. 資源類 (Resources) 和 提示詞 (Prompts)：

  • 目前BaikalDB MCP Server暫未定義資源和提示詞，未來會根據使用場景靈活添加，以更好的引導大模型和BaikalDB進行交互。

通過以上工具，BaikalDB MCP Server使得大模型能自主的查詢/操作數據庫，進行多輪數據智能分析，並且可以結合大模型和其他MCP能力，並高效的通過多種形式呈現分析結果（如Excel文本，繪製圖表等）。

3.2 BaikalDB MCP Server應用場景

BaikalDB MCP Server擁有以上能力後，就可以在以下場景中進行使用：

  1. 實時數據分析和智能報表
  • 大模型可以實時查詢BaikalDB的業務數據，生成可視化報表，並可結合歷史上下文生成分析報告或者建議。
  1. 多數據源聯邦查詢分析
  • 通過MCP支持大模型同時訪問BaikalDB和其他數據源（如知識庫、Mysql等），實現聯邦分析。
  1. 開發測試提效
  • 在開發測試過程中，通過自然語言交互，建刪改表、增刪改查、構造測試數據、分析SQL執行情況等，不用額外切多個窗口執行SQL操作。

04 BaikalDB MCP Server使用

BaikalDB MCP Server使得BaikalDB不單是個高性能的分佈式數據庫，還是大模型的分析執行插件，使得用户不再需要任何開發，即可對BaikalDB存儲的數據進行智能分析。

4.1 Comate 配置

以Comate舉例：按照以下圖示步驟，將BaikalDB MCP Server json配置添加到Comate MCP配置文件中，即可以在Comate中使用大模型操作BaikalDB數據庫。當然後續我們會嘗試將BaikalDB MCP Server發佈到MCP倉庫，使得配置更簡單！

圖片

圖片

圖片

BaikalDB MCP Server Json配置如下：

{  
    "mcpServers":  {
        "baikaldb_mcp": {
            "transport": "sse/streamableHttp",
            "url": "BaikalDB MCP Server URL",
            "headers": {},
            "timeout": 50
          }
     }
}

4.2 Demo 演示

示例1：智能分析

下方視頻展示了，在Comate中用自然語言對數據庫數據進行智能分析和圖表展示。
https://www.bilibili.com/video/BV1nKJyzdEc1/?page=1

示例2：開發測試提效

下方視頻展示了，開發測試過程中的智能建表、導數、SQL執行分析、索引推薦等。
https://www.bilibili.com/video/BV1cKJyzdEMt/?page=1

示例3：基於模板智能分析

下方視頻展示了，在複雜業務場景中，通過預先導入的BI SQL模板進行更高效準確的智能分析。
https://www.bilibili.com/video/BV1E3JyzpELF/?page=1

05 總結

BaikalDB MCP Server的核心價值在於打破了數據庫數據的信息壁壘，構建了一條完整的智能數據處理鏈路，實現了從自然語言解析到業務建議輸出的端到端能力：‌

  • 自然語言理解：將非結構化查詢轉化為結構化意圖。
  • 數據庫操作：自動生成並執行SQL語句。
  • 數據分析：對查詢結果進行多維解讀並生成可執行建議。

但是也存在一些問題：‌

  • SQL生成準確性高度依賴元數據質量（如表結構、字段註釋）。
  • 複雜業務邏輯描述困難。
  • 大模型在長上下文中的注意力分配問題。

當然，隨着大模型推理能力的持續提升和MCP協議生態的完善，這種數據智能範式將在金融風控、供應鏈優化、智能客服等複雜業務場景中展現出更大的價值潛力。

分佈式 , llm , 人工智能
user avatar u_16776161 头像 definecloud 头像 u_15641375 头像 u_17176510 头像 puxiaoke6 头像 junyidedalianmao 头像 chen_5ec331606ce75 头像 old_it 头像 liudamao 头像 qcloudcommunity 头像 hnclou 头像 tizuqiudexiangpica 头像
点赞 20 用户, 点赞了这篇动态!
点赞

Add a new 评论

Some HTML is okay.