1. AI界的"万能钥匙"：MCP如何让大模型连接万物？
自从去年11月Anthropic公司(Claude的创造者)推出MCP协议后，正以惊人的速度重塑AI与数字世界的交互方式，如果说ChatGPT打开了智能对话的大门，那么MCP则正在为AI装上"操作现实世界的双手"。或许在不久的将来，这一技术将会改变AI领域的游戏规则。
图片来源https://pic2.zhimg.com/v2-9bcad5d6c8804e5d57534f08165f6fe5_b.webp
如上图所示，简单来说MCP就像是AI的"万能钥匙"，旨在让大型语言模型(LLM)与外部工具和数据源实现无缝通信，让它能安全、可控地访问服务器上的文件、应用系统等。
上面的文字描述，看着是不是有些迷迷糊糊的，如何真正理解并应用MCP呢，接下来我将用一个简单的例子（数据库CRUD操作级别）来形象的描述一下。
2. 常见的MCP应用场景
先看一下mcp常用的几个场景：
- 访问私域数据库（CRUD）
- 访问三方工具(访问高德地图、天气工具)
- 调用现有系统API，实现大模型与已有系统的互联互通（例如调用公司的OA接口，自动实现OA发文的自动发布）
现在我们来介绍一下实践案例：如何基于大模型+MCP技术来实现ChatBI问数的功能。
3. 案例用到的表结构
CREATE TABLE `sales` ( `sale_id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '销售单ID（主键）', `order_no` VARCHAR(32) NOT NULL COMMENT '销售订单编号', `customer_id` BIGINT NOT NULL COMMENT '客户ID', `customer_name` VARCHAR(100) COMMENT '客户名称', `salesperson_id` BIGINT NOT NULL COMMENT '销售人员ID', `salesperson_name` VARCHAR(50) COMMENT '销售人员姓名', `sale_date` DATETIME NOT NULL COMMENT '销售日期时间', `total_amount` DECIMAL(12,2) NOT NULL DEFAULT 0 COMMENT '订单总金额', `discount_amount` DECIMAL(12,2) DEFAULT 0 COMMENT '折扣金额', `actual_amount` DECIMAL(12,2) NOT NULL COMMENT '实收金额', `payment_method` TINYINT COMMENT '支付方式：1现金 2信用卡 3支付宝 4微信 5银行转账', `payment_status` TINYINT NOT NULL DEFAULT 0 COMMENT '支付状态：0未支付 1部分支付 2已支付 3已退款', `delivery_status` TINYINT DEFAULT 0 COMMENT '发货状态：0未发货 1部分发货 2已发货 3已签收', `invoice_type` TINYINT COMMENT '发票类型：1普通发票 2增值税发票', `invoice_title` VARCHAR(100) COMMENT '发票抬头', `invoice_no` VARCHAR(50) COMMENT '发票号码', `remark` VARCHAR(500) COMMENT '备注', `source_channel` TINYINT COMMENT '订单来源：1线下 2官网 3APP 4小程序 5第三方平台', `warehouse_id` INT COMMENT '发货仓库ID', `logistics_company` VARCHAR(50) COMMENT '物流公司', `tracking_no` VARCHAR(50) COMMENT '物流单号', `created_by` BIGINT COMMENT '创建人ID', `created_time` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', `updated_by` BIGINT COMMENT '更新人ID', `updated_time` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间', `is_deleted` TINYINT NOT NULL DEFAULT 0 COMMENT '是否删除：0否 1是', PRIMARY KEY (`sale_id`), UNIQUE KEY `uk_order_no` (`order_no`), KEY `idx_customer_id` (`customer_id`), KEY `idx_salesperson_id` (`salesperson_id`), KEY `idx_sale_date` (`sale_date`), KEY `idx_payment_status` (`payment_status`), KEY `idx_delivery_status` (`delivery_status`)) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='销售订单主表';
4. 开始测试案例
我们使用开发好的ChatBI-MCP-Server，利用DeepSeek大模型来测试一下查数效果，事先准备好2个问题：
（1）7月份订单总金额
（2）哪个销售员的订单金额最大
开始询问：查询7月份订单总金额
观察查询效果，可以清晰地看到大模型自己在将任务拆解成几个步骤：
（1）首先查询数据库中所有的表
（2）找到可能包含订单数据的表
（3）查看相关表的结构和数据样例
（4）最终执行查询7月份订单总金额的SQL
执行效果如下图所示：
在首次对话过程中，我们看到运行时遇到了问题，先来看一下运行的日志：
{ "params": { "dbName": "order_db" }, "response": { "content": [ { "type": "text", "text": "StatementCallback; bad SQL grammar [SELECT TABLE_NAME , TABLE_COMMENT, TABLE_SCHEMA FROM information_schema.tables where table_schema = order_db]" } ], "isError": true }}
我们通过观察日志，看到大模型在进行用户意图识别过程中，执行查询数据库所有的表时，是从order_db中来查询的（这个库名是大模型幻觉杜撰出来的），而我们的数据库中只有sales库，下面我们给大模型纠正一下，继续问答：从sales库中查询7月份订单总金额
从下图的执行结果我们可以看到，本论问答结果符合预期：
我们不妨仔细观察一下各个步骤的执行细节，来帮助我们理解大模型是如何通过MCP来与数据库进行交互的。
（1）判断sales中有哪些表
从下图中可以看到大模型的推理执行过程，在这一步中，可以看到大模型调用了mcp服务，来查看表中有哪些表
（2）查询表结构
根据查询结果，sales库中有一个表叫sales，表注释为"销售订单主表"。接下来我需要查看这个表的结构，了解它包含哪些字段。
（3）查询表数据-获取最终结果
从表结构中可以看到，sales表包含sale_date(销售日期时间)和total_amount(订单总金额)字段。现在我需要编写SQL查询7月份的订单总金额。
怎么样，我们可以看到大模型的执行思路很清晰，他在识别出用户意图后，进行自主决策，并规划出一系列执行步骤，最终获得用户关心的数据。我们事先并没有告诉大模型数据库中有哪些表，表中有哪些字段，是不是感到有点惊艳。
我们再试着问他第二个问题：哪个销售员的订单金额最大。同样大模型给出了正确的执行结果。
提示：在问答的过程中，遇到问题也很正常，我们在下一轮对话中，引导大模型即可，大模型根据历史会话记录和提示词，会进行自主决策的
我们在以往开发AI Agent，实现ChatBI问数功能时，以往的做法是提前把用到的表结构来创建知识库、或者把表结构作为提示词喂给大模型，来帮助大模型理解表结构。而在本文介绍的案例中，我们采用了一种新的玩法，即利用大模型+MCP技术来实现。
以上是关于大模型+MCP在ChatBI问数场景下的一个探索实践，在案例中，我们使用MCP技术，打通了大模型访问私域数据的安全通路，一些初浅的思考，希望可以给大家带来不同的实现思路。
