构建完全本地的MCP客户端：让AI智能体与数据库无缝对话

最近在做一个项目时，我需要让AI智能体能够直接与本地数据库进行交互。经过一番研究，发现Model Context Protocol（MCP）是个非常优雅的解决方案。今天就跟大家分享一下如何构建一个完全本地化的MCP客户端，让AI智能体能够智能地操作SQLite数据库。

什么是MCP？为什么选择它？

MCP（Model Context Protocol）是一个标准化协议，专门用于AI应用程序与外部工具和数据源的连接。想象一下，如果AI智能体是一个万能助手，那么MCP就是它的”工具箱接口”，让它能够标准化地使用各种外部工具。

技术栈选择

经过多次尝试，我选择了这样的技术栈：

• LlamaIndex：构建MCP智能体的核心框架

• Ollama：本地运行Deepseek-R1模型

• LightningAI：开发和托管环境

• SQLite：作为演示的数据存储

整体工作流程

整个系统的运行逻辑其实很简单：

1. 用户提交查询

2. 智能体连接MCP服务器，发现可用工具

3. 根据查询内容，智能体选择合适的工具

4. 获取上下文信息并返回智能响应

代码实现详解

构建SQLite MCP服务器

首先，我们需要一个简单的MCP服务器作为演示。这个服务器提供两个核心功能：

import sqlite3
import json
from typing import Any, Dict, List
import asyncio
class SQLiteMCPServer:
    def __init__(self, db_path: str = "demo.db"):
        self.db_path = db_path
        self.init_database()

    def init_database(self):
        """初始化数据库表"""
        conn = sqlite3.connect(self.db_path)
        cursor = conn.cursor()
        cursor.execute('''
            CREATE TABLE IF NOT EXISTS players (
                id INTEGER PRIMARY KEY AUTOINCREMENT,
                name TEXT NOT NULL,
                sport TEXT NOT NULL,
                achievements TEXT
            )
        ''')
        conn.commit()
        conn.close()

    def add_data(self, name: str, sport: str, achievements: str = "") -> Dict[str, Any]:
        """添加数据到数据库"""
        try:
            conn = sqlite3.connect(self.db_path)
            cursor = conn.cursor()
            cursor.execute(
                "INSERT INTO players (name, sport, achievements) VALUES (?, ?, ?)",
                (name, sport, achievements)
            )
            conn.commit()
            row_id = cursor.lastrowid
            conn.close()
            return {"success": True, "id": row_id, "message": f"成功添加 {name}"}
        except Exception as e:
            return {"success": False, "error": str(e)}

    def get_data(self, sport: str = None) -> Dict[str, Any]:
        """从数据库获取数据"""
        try:
            conn = sqlite3.connect(self.db_path)
            cursor = conn.cursor()

            if sport:
                cursor.execute("SELECT * FROM players WHERE sport = ?", (sport,))
            else:
                cursor.execute("SELECT * FROM players")

            rows = cursor.fetchall()
            columns = [description[0] for description in cursor.description]

            data = []
            for row in rows:
                data.append(dict(zip(columns, row)))

            conn.close()
            return {"success": True, "data": data, "count": len(data)}
        except Exception as e:
            return {"success": False, "error": str(e)}
# 创建MCP服务器实例
mcp_server = SQLiteMCPServer()

设置本地大语言模型

使用Ollama在本地运行Deepseek-R1模型：

from llama_index.llms.ollama import Ollama
def setup_local_llm():
    """配置本地LLM"""
    llm = Ollama(
        model="deepseek-r1:latest",
        base_url="http://localhost:11434",
        temperature=0.1,
        request_timeout=120.0
    )
    return llm
# 初始化LLM
local_llm = setup_local_llm()

定义智能体系统提示词

这一步很关键，好的提示词能让智能体更好地理解任务：

SYSTEM_PROMPT = """
你是一个智能数据库助手。你拥有以下能力：
1. 向数据库添加运动员信息
2. 从数据库查询运动员数据
重要规则：
- 在回答用户问题之前，先使用相应的工具获取或操作数据
- 如果用户想要添加数据，使用 add_data 工具
- 如果用户想要查看数据，使用 get_data 工具
- 始终以友好、专业的语调回应
- 将结果以清晰、易读的格式呈现给用户
请根据用户的请求，选择合适的工具并提供有用的响应。
"""

创建MCP工具包装器

将MCP服务器的功能包装成LlamaIndex可以使用的工具：

from llama_index.core.tools import FunctionTool
from typing import Optional
def create_mcp_tools(server: SQLiteMCPServer) -> List[FunctionTool]:
    """创建MCP工具列表"""

    def add_player_data(name: str, sport: str, achievements: str = "") -> str:
        """
        添加运动员数据到数据库

        Args:
            name (str): 运动员姓名
            sport (str): 运动项目
            achievements (str): 主要成就，可选

        Returns:
            str: 操作结果
        """
        result = server.add_data(name, sport, achievements)
        if result["success"]:
            return f"✅ {result['message']}"
        else:
            return f"❌ 添加失败: {result['error']}"

    def get_player_data(sport: Optional[str] = None) -> str:
        """
        从数据库获取运动员数据

        Args:
            sport (str, optional): 运动项目筛选，不提供则获取所有数据

        Returns:
            str: 查询结果
        """
        result = server.get_data(sport)
        if result["success"]:
            if result["count"] == 0:
                return "📭 数据库中暂无符合条件的运动员数据"

            data_str = f"📊 找到 {result['count']} 条记录：nn"
            for player in result["data"]:
                data_str += f"🏆 {player['name']}n"
                data_str += f"   项目: {player['sport']}n"
                if player['achievements']:
                    data_str += f"   成就: {player['achievements']}n"
                data_str += "n"
            return data_str
        else:
            return f"❌ 查询失败: {result['error']}"

    # 创建工具列表
    tools = [
        FunctionTool.from_defaults(
            fn=add_player_data,
            name="add_data",
            description="向数据库添加运动员信息"
        ),
        FunctionTool.from_defaults(
            fn=get_player_data,
            name="get_data", 
            description="从数据库查询运动员信息"
        )
    ]

    return tools

构建MCP智能体

现在我们把所有组件整合起来：

from llama_index.core.agent import FunctionCallingAgent
from llama_index.core.memory import ChatMemoryBuffer
class MCPAgent:
    def __init__(self, llm, tools, system_prompt: str):
        self.llm = llm
        self.tools = tools
        self.memory = ChatMemoryBuffer.from_defaults(token_limit=4000)

        self.agent = FunctionCallingAgent.from_tools(
            tools=tools,
            llm=llm,
            system_prompt=system_prompt,
            memory=self.memory,
            verbose=True
        )

    def chat(self, message: str) -> str:
        """与智能体对话"""
        try:
            response = self.agent.chat(message)
            return str(response)
        except Exception as e:
            return f"抱歉，处理您的请求时出现错误：{str(e)}"

    def reset_memory(self):
        """重置对话记忆"""
        self.memory.reset()
def create_mcp_agent(mcp_server: SQLiteMCPServer) -> MCPAgent:
    """创建MCP智能体"""
    llm = setup_local_llm()
    tools = create_mcp_tools(mcp_server)

    agent = MCPAgent(
        llm=llm,
        tools=tools,
        system_prompt=SYSTEM_PROMPT
    )

    return agent

完整的运行示例

让我们把所有代码整合起来，创建一个完整的演示：

def main():
    """主函数：演示MCP客户端的完整功能"""
    print("🚀 正在初始化本地MCP客户端...")

    # 创建MCP服务器
    mcp_server = SQLiteMCPServer()
    print("✅ SQLite MCP服务器已启动")

    # 创建智能体
    agent = create_mcp_agent(mcp_server)
    print("✅ MCP智能体已就绪")
    print("n" + "="*50)
    print("🤖 MCP智能体已启动！您可以尝试以下操作：")
    print("- 添加运动员信息：'添加拉斐尔·纳达尔，网球运动员，22个大满贯冠军'")
    print("- 查看所有数据：'显示所有运动员信息'")
    print("- 输入 'quit' 退出")
    print("="*50)

    # 交互循环
    while True:
        try:
            user_input = input("n👤 您: ").strip()

            if user_input.lower() in ['quit', 'exit', '退出']:
                print("👋 再见！")
                break

            if not user_input:
                continue

            print("🤖 智能体思考中...")
            response = agent.chat(user_input)
            print(f"🤖 智能体: {response}")

        except KeyboardInterrupt:
            print("n👋 程序已退出")
            break
        except Exception as e:
            print(f"❌ 发生错误: {str(e)}")
if __name__ == "__main__":
    main()

运行效果展示

当你运行这个程序时，你会看到类似这样的交互：

👤 您: 添加拉斐尔·纳达尔，网球运动员，22个大满贯冠军
🤖 智能体: ✅ 成功添加 拉斐尔·纳达尔
👤 您: 显示所有运动员信息
🤖 智能体: 📊 找到 1 条记录：
🏆 拉斐尔·纳达尔
   项目: 网球
   成就: 22个大满贯冠军

实际应用场景

这个MCP客户端的应用场景非常广泛：

1. 数据管理助手：让AI帮助管理各种结构化数据

2. 智能客服系统：结合知识库进行智能问答

3. 业务流程自动化：让AI执行复杂的数据操作任务

4. 开发工具集成：在开发环境中提供智能化的数据操作

扩展可能性

基于这个基础架构，你可以轻松扩展更多功能：

• 连接更多类型的数据库（MySQL、PostgreSQL等）

• 集成文件系统操作

• 添加API调用功能

• 实现复杂的数据分析工具

总结

通过这个完全本地化的MCP客户端，我们实现了AI智能体与数据库的无缝对话。整个系统不依赖任何外部API，保证了数据的安全性和隐私性。最重要的是，这种架构非常灵活，你可以根据自己的需求轻松修改和扩展。无论是简单的数据管理，还是复杂的业务流程自动化，都能够很好地适应。如果你也在探索AI智能体的实际应用，不妨试试这个方案。相信它会给你带来不少启发！