使用 ClickHouse MCP 和 CopilotKit 构建智能 AI 应用

本文字数：7143；估计阅读时间：18 分钟

作者：Lionel Palacin

本文在公众号【ClickHouseInc】首发

假设你正在找新房，想了解某个社区近几年的房价走势。与其反复点开图表、调整筛选条件，你能不能直接问一句：

“展示过去十年曼彻斯特的房价变化。”

然后系统立刻生成图表，附带解释，甚至还能继续提出后续问题。

这就是智能 AI 应用（Agentic 应用）的魅力所在。借助大语言模型（Large Language Model，LLM）的强大能力，它不仅能理解复杂的请求，还能自动调用 API，基于单个用户指令完成整套流程，带来真正智能、交互式的使用体验。

你可以点击文末原文观看我们客户小组的视频，了解 MCP 在实时分析类应用中的强大潜力。

在本文中，我们将教你如何构建这样一个智能应用。我们会基于 ClickHouse MCP Server 和 CopilotKit，开发一个可自定义的英国房产市场分析仪表板。前端使用 React 和 Next.js 构建，但你也可以将相同方法应用到任何现代应用框架中。

智能应用的核心组件

我们先来看看构建这样一个应用所需的关键组成部分。

大语言模型（LLM）

任何智能应用的核心都是大语言模型。它负责理解用户的输入、识别上下文、生成响应内容，并决定下一步该做什么。

为了确保用户体验流畅、响应及时，选用一款性能强大、上下文窗口足够大的模型非常关键。智能应用通常涉及复杂的任务、与外部工具的交互，以及处理来自第三方系统的数据。随着上下文信息越来越多，模型必须具备高效的处理和快速响应能力，才能让最终用户获得自然、流畅的交互体验。

在本示例中，我们使用的是 Anthropic 提供的 Claude Sonnet 3.7 模型。截至本文撰写时，该模型在 TAU-bench 基准测试中，在航空和零售行业场景下表现出色。这个基准测试主要评估各类 LLM 在与用户交互以及遵循专业规则方面的能力。

ClickHouse MCP Server：连接数据与智能的桥梁

我们的智能应用将通过构建用户自定义的仪表板，帮助大家分析英国房地产市场数据。虽然这些数据本身是公开的，模型在训练过程中也可能接触过，但这些信息存储在模型的参数中，并不是逐条记录。换句话说，即使模型曾见过这类数据，当我们询问英国某地的房价时，它依然可能“凭空想象”出一些数字。因此，在很多场景下，模型必须访问实时或专有的数据源，才能输出准确、有价值的结果。

这正是模型上下文协议（Model Context Protocol，MCP）服务器诞生的背景。MCP 是一个开放标准，帮助开发者在自有数据源与 AI 工具之间建立安全、双向的连接。

ClickHouse MCP Server 让开发者可以在智能应用中无缝集成 ClickHouse，使模型能够直接发起查询，获取实时数据支持。

CopilotKit：简化智能应用开发的 UI 框架

在整个架构中，CopilotKit 是第三个核心组件。它是一个专为 Agentic 应用设计的 UI 框架，极大地简化了开发流程。

我之所以选择 Copi