AI实战-数据库(database) + MCP提高大模型检索外部知识

发布时间：2025-04-11 20:57:14编辑：123阅读（109）

一种基于 MCP 提高大模型检索外部知识精度的新思路，实测比 RAG 效果要好很多。目前市面上讲 MCP 的教程比较多，但大多数都是一些概念性的讲解， MCP 确实是一项很有意义的技术标准，能帮助我们解决很多之前难以解决的问题， MCP，整体的学习路径如下：



背景：RAG的局限性

RAG，即检索增强生成（Retrieval-Augmented Generation），是目前大模型领域的一个热门方向。它将信息检索技术与生成式模型相结合，解决大模型在知识准确性、上下文理解以及对最新信息的利用等方面的难题。如何拥有一个无限制、可联网、带本地知识库的私人 DeepSeek？ 如何在本地部署模型并且引入知识库。但是很多小伙伴可能对 RAG 有点误解，觉得只要将一些额外的知识通过 RAG 导入，模型就能完美的掌握并且回答这些知识相关的问题。但事实和想象还是有差距的，大家在实际尝试后可能会发现，RAG 的精准度似乎没有那么好。从 RAG 本身技术原理的角度出发，目前存在着以下问题：检索精度不足：首先，RAG 最核心的就是先将知识转换成 “向量“ ，导入 “向量数据库“，然后在将用户输入的信息也转换成 “向量” ，然后再去向量数据库匹配出相似的 “向量“，最后再由大模型去总结检索到的内容。



从这个过程中我们看出，大模型仅仅起到了总结的作用，而检索到信息的精准度大部分情况下取决于向量的相似度匹配，检索结果可能包含无关内容（低精确率）或遗漏关键信息（低召回率）。生成内容不完整：由于 RAG 处理的是文档的切片，而切片的局部性注定了它无法看到整篇文档的信息，因此在回答诸如“列举XXX”“总结XXX”等问题时，一般回答是不完整的。缺乏大局观：RAG 无法判断需要多少个切片才能回答问题，也无法判断文档间的联系。例如，在法律条文中，新的解释可能覆盖旧的解释，但 RAG 无法判断哪个是最新的。多轮检索能力弱：RAG 缺乏执行多轮、多查询检索的能力，而这对推理任务来说是必不可少的。尽管近期也有些新出现的技术，如 GraphRAG、KAG 等能够在一定程度上解决这些问题，但都还不成熟，目前的 RAG 技术还远远达不到我们预期想要的效果。下面，将介绍一个新的方案，通过 MCP + 数据库来提高结构化数据的检索精准度，基本上能够实现 text to SQL 的效果，实测的检索效果也要比 RAG 好很多。




理论：了解 MCP 的基础知识

在开始学习 MCP 之前，有一个绕不开的话题，就是 Function Call。2.1 Function Call以前的 AI 大模型就像一个知识丰富但被困在屋子里的人，只能依靠自己已有的知识回答问题，无法直接获取实时数据或与外部系统交互，比如不能直接访问数据库里的最新信息，也不能使用一些外部工具来完成特定任务。Function Call 是 OPEN AI 在 2023 年推出的一个非常重要的概念：

Function Call（函数调用） 本质上就是提供了大模型与外部系统交互的能力，类似于给大模型安装一个 “外挂工具箱”。当大模型遇到自己无法直接回答的问题时，它会主动调用预设的函数（如查询天气、计算数据、访问数据库等），获取实时或精准信息后再生成回答。比如，我们在 Coze 这种零代码 Agent 搭建平台上看到的插件，其实都是基于 Function Call 的思路来封装的。网址：https://www.coze.cn/store/plugin






这个能力确实是挺好的，给了大模型更多的可能性，但是它有一个比较大的缺点，就是实现成本太高了。在 MCP 出现之前，开发者想实现 Function Call 的成本是比较高的，首先得需要模型本身能够稳定支持 Function Call 的调用，比如在 Coze 中选择某些模型时提示，选择的模型不支持插件的调用，其实就是不支持 Function Call 的调用：

这也就意味着模型本身需要进行过专门的 Function Call 调用微调才能稳定支持这种能力。另外还有一个比较大的问题，OPEN AI 最开始提出这项技术的时候，并没有想让它成为一项标准，所以虽然后续很多模型也支持了 Function Call 的调用，但是各自实现的方式都不太一样。这也就意味着，如果要发开一个 Function Call 工具，需要对不同的模型进行适配，比如参数格式、触发逻辑、返回结构等等，这个成本是非常高的。

这也大大提高了 AI Agent 的开发门槛，所以在以前大部分情况下只能通过 Dify、Coze 这些平台来构建 Agent。核心特点模型专属：不同模型（GPT/Claude/DeepSeek）的调用规则不同即时触发：模型解析用户意图后直接调用工具简单直接：适合单一功能调用（如"查北京温度"→调用天气API）痛点协议碎片化：需为每个模型单独开发适配层功能扩展难：新增工具需重新训练模型或调整接口类比不同品牌手机的充电接口（Lightning/USB-C），设备间无法通用。




MCP

MCP（Model Context Protocol，模型上下文协议）是一种由 Anthropic 公司（也就是开发 Claude 模型的公司）推出的一个开放标准协议，目的就是为了解决 AI 模型与外部数据源、工具交互的难题。



通过 Function Call ，每次要让模型连接新的数据源或使用新工具，开发者都得专门编写大量代码来进行对接，既麻烦又容易出错。而 MCP 的出现就是为了解决这些问题，它就像是一个 “通用插头” 或者 “USB 接口”，制定了统一的规范，不管是连接数据库、第三方 API，还是本地文件等各种外部资源，都可以通过这个 “通用接口” 来完成，让 AI 模型与外部工具或数据源之间的交互更加标准化、可复用。最开始推出的时候，只有 Claude 客户端支持，大家也没把它当回事，但是后续由于 Cursor（Cursor 和 Claude 的关系大家都懂） 的支持，各种插件和工具也开始陆续提供支持；再加上最近 AI Agent 被 Manus 这个 “概念” 工具给炒的非常火热，让 MCP 逐步开始走进大众视野，直到最近，OPEN AI 也宣布对 MCP 提供了支持：

MCP 真的做到了，它已经成为 AI 工具调用的 “行业标准”。MCP Host，比如 Claude Desktop、Cursor 这些工具，在内部实现了 MCP Client，然后 MCP Client 通过标准的 MCP 协议和 MCP Server 进行交互，由各种三方开发者提供的 MCP Server 负责实现各种和三方资源交互的逻辑，比如访问数据库、浏览器、本地文件，最终再通过 标准的 MCP 协议返回给 MCP Client，最终在 MCP Host 上展示。

开发者按照 MCP 协议进行开发，无需为每个模型与不同资源的对接重复编写适配代码，可以大大节省开发工作量，另外已经开发出的 MCP Server，因为协议是通用的，能够直接开放出来给大家使用，这也大幅减少了开发者的重复劳动。比如，你如果想开发一个同样逻辑的插件，你不需要在 Coze 写一遍，再去 Dify 写一遍，如果它们都支持了 MCP，那就可以直接使用同一个插件逻辑。

核心特点

协议标准化：统一工具调用格式（请求/响应/错误处理）

生态兼容性：一次开发即可对接所有兼容MCP的模型

动态扩展：新增工具无需修改模型代码，即插即用

核心价值，解决三大问题

数据孤岛 → 打通本地/云端数据源

重复开发 → 工具开发者只需适配MCP协议

生态割裂 → 形成统一工具市场

类比

USB-C 接口：手机/电脑/外设通过统一标准互联




尝试：学会 MCP 的基本使用

从上面 MCP 的架构图中我们可以看到，想要使用 MCP 技术，首先就是得找到一个支持 MCP 协议的客户端，然后就是找到符合我们需求到 MCP 服务器，然后在 MCP 客户端里调用这些服务。

MCP 客户端（Host）

在 MCP 官方文档中，我们看到已经支持了 MCP 协议的一些客户端/工具列表：地址：https://modelcontextprotocol.io/clients



从表格里，可以看到，MCP 对支持的客户端划分了五大能力，这里我们先简单了解即可：

Tools：服务器暴露可执行功能，供 LLM 调用以与外部系统交互。

Resources：服务器暴露数据和内容，供客户端读取并作为 LLM 上下文。

Prompts：服务器定义可复用的提示模板，引导 LLM 交互。

Sampling：让服务器借助客户端向 LLM 发起完成请求，实现复杂的智能行为。

Roots：客户端给服务器指定的一些地址，用来告诉服务器该关注哪些资源和去哪里找这些资源。

目前最常用，并且被支持最广泛的就是 Tools 工具调用。对于上面这些已经支持 MCP 的工具，其实整体划分一下就是这么几类：

AI 聊天工具：如 5ire、LibreChat、Cherry Studio

AI 编码工具：如 Cursor、Windsurf、Cline

AI 开发框架：如 Genkit、GenAIScript、BeeAI




MCP Server

MCP Server 的官方描述：一个轻量级程序，每个程序都通过标准化模型上下文协议公开特定功能。简单理解，就是通过标准化协议与客户端交互，能够让模型调用特定的数据源或工具功能。常见的 MCP 

Server 有：

文件和数据访问类：让大模型能够操作、访问本地文件或数据库，如 File System MCP Server；

Web 自动化类：让大模型能够操作浏览器，如 Pupteer MCP Server；

三方工具集成类：让大模型能够调用三方平台暴露的 API，如 高德地图 MCP Server；

下面是一些可以查找到你需要的 MCP Server 的途径：

第一个是官方的 MCP Server 集合 Github 仓库（https://github.com/modelcontextprotocol/servers），里面包含了作为官方参考示例的 MCP Server、被官方集成的 MCP Server 以及一些社区开发的第三方 MCP Server：另外一个是 MCP.so（https://mcp.so/）：一个三方的 MCP Server 聚合平台，目前收录了 5000+ MCP Server：MCP Market（https://mcpmarket.cn/），访问速度不错，可以按工具类型筛选：




在 Cherry Studio 中尝试 MCP

先来尝试一个最简单的 MCP 接入示例，这里选择 Cherry Studio。Cherry Studio 对于小白用户还是比较友好的，可以让你在客户端一键完成必备环境（这些环境是什么意思后面会讲）的安装：下载地址：https://cherry-ai.com/download

下载对应的系统版本安装，打开cherry studio




安装依赖，下载对应系统的版本

https://github.com/oven-sh/bun/releases/download/bun-v1.2.9/bun-windows-x64.zip

https://github.com/astral-sh/uv/releases/download/0.6.14/uv-x86_64-pc-windows-msvc.zip

解压后，把exe复制到对应的目录



在搜索框，搜索对应的包@modelcontextprotocol/server-filesystem

点击 + ，它会帮我们默认创建好一些 MCP Server 的配置，这里我们要补充一个参数，你允许让它访问的文件夹路径，比如 windows系统的桌面C:\Users\Sam\Desktop：






然后点击保存，如果服务器的绿灯亮起，说明配置成功：

下面，到聊天区域选择一个模型， 注意这里一定要选择带扳手🔧图标的模型，只有这种工具才支持 MCP（因为 Cherry Studio 其实本质上还是基于 Function Call 实现的 MCP，所以只有部分模型支持）



然后发现下面工具箱多了 MCP 的开关，把它打开：



然后尝试让他访问我桌面上有哪些文件：



这里使用的是硅基流动的API，所以需要填一个API密钥



问题：可访问的文件列表



调用成功，这就是一个最简单的 MCP 调用示例了。







实战：使用 MCP 调用数据库

首先,先来构造一个简单的数据库案例.Mongodb

这里选择的数据库是 MongoDB：一款流行的开源的文档型数据库。MongoDB 使用文档型数据模型，数据以 JSON 格式存储。为什么选择 MongoDB 而不是 sqlite 之类的关系型数据库呢，主要还是因为在关系型数据库中，表结构是固定的，若要添加新字段或修改表结构，往往需要进行复杂的迁移操作。而 MongoDB 的文档型数据模型，允许在同一个集合中存储不同结构的文档，应用程序可以根据需要灵活地添加或修改字段，无需事先定义严格的表结构，这对于我们想构建一个持续补充的结构化知识库的场景，是非常友好的。大家可以直接在官方文档下载安装 MongoDB Community Server(MongoDB 的免费开源版本).

下载地址：https://www.mongodb.com/try/download/community



下载对应的系统版本安装。

安装好访问http://localhost:27017/



打开MongoDBCompass，创建studentManagement库，创建表classes，courses，scores，students，teachers，如下



使用python的Faker库批量生成数据。

from faker import Faker
import random
from pymongo import MongoClient

# 初始化Faker对象
fake = Faker('zh_CN')

def insert_mongodb(data, set_name):
    # 连接到 MongoDB
    client = MongoClient('mongodb://localhost:27017/')
    # 选择数据库
    db = client['studentManagement']
    # 选择集合
    collection = db[set_name]
    # 插入数据
    result = collection.insert_many(data)
    # 打印插入的文档 ID
    print("插入的文档 ID:", result.inserted_ids)
    # 关闭连接
    client.close()

def create_teachers():
    """
    生成教师表数据
    :return: teachers_data,set_name
    """
    set_name = 'teachers'
    # 可能的性别
    genders = ['男', '女']
    # 可能的教授科目
    subjects = ['语文', '数学', '英语', '物理', '化学', '生物', '历史', '地理', '政治']
    # 可能的职称
    titles = ['助教', '讲师', '副教授', '教授']
    # 存储数据的列表
    teachers_data = []
    for i in range(100):
        teacher = {
            "id": i + 1,
            "name": fake.name(),
            "gender": random.choice(genders),
            "subject": random.choice(subjects),
            "title": random.choice(titles),
            "phone": fake.phone_number(),
            "office": fake.address().split('\n')[0],  # 简单取地址的第一行作为办公室位置
            "wechat": fake.user_name(),
            "isHeadTeacher": random.choice([True, False])
        }
        teachers_data.append(teacher)
    return teachers_data,set_name


if __name__ == '__main__':
    teachers_data,set_name = create_teachers()
    insert_mongodb(teachers_data,set_name)



Cherry Studio设置， 编辑mongodb-MCP

{

  "mcpServers": {

    "mongodb": {

      "isActive": true,

      "name": "mongodb",

      "type": "stdio",

      "registryUrl": "",

      "command": "npx",

      "args": [

        "mcp-mongo-server",

        "mongodb://localhost:27017/studentManagement"

      ]

    }

  }

}



点击保存，提问teachers表中，郑娟的office是什么？



结合mongodb查询，给出了很准确的答案。

关键字：