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。

一、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。

二、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

三、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

四、代码实现详解

第一步：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()

第二步：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()

第三步：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。
"""

第四步：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：\n\n"
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

第五步：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

第六步：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()

五、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

六、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

七、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

八、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。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发