大模型Agent + MCP 在 ChatBI 问数场景下的探索实践

置顶 fragrans

已于 2025-08-03 20:55:26 修改

阅读量777

点赞数 9

CC 4.0 BY-SA版权

分类专栏： LLM Dify 文章标签：大模型 LLM ChatBI Agent AI

于 2025-08-03 20:54:35 首次发布

本文链接：https://blog.youkuaiyun.com/litlit023/article/details/149885567

LLM Dify 专栏收录该内容

14 篇文章

订阅专栏

1. AI界的"万能钥匙"：MCP如何让大模型连接万物？

2. 常见的MCP应用场景

3. 案例用到的表结构

4. 开始测试案例

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。

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：