MCP连接数据库实战：优化结构化数据查询，对比RAG检索效果

本文将介绍一种结合 MCP 协议与数据库，以提升大模型对外部知识检索精度的新思路。通过一个学生管理系统的实战案例，我们将展示其效果如何超越传统的 RAG 技术。

我们先了解一下 RAG 技术目前存在的局限性。

一、背景：RAG 的局限性

RAG，即检索增强生成（Retrieval-Augmented Generation），是大模型领域的一个热门方向。它通过结合信息检索与生成式模型，旨在解决大模型在知识准确性、上下文理解以及对最新信息利用方面的难题。

然而，在实际应用中，RAG 的精准度可能并未达到预期。从其技术原理出发，主要存在以下问题：

• 检索精度不足：RAG 的核心流程是先将知识转换为向量存入向量数据库。当用户提问时，将问题也转换为向量，并在向量库中进行相似度匹配，最后让大模型总结检索到的内容。

在这个过程中，大模型主要扮演总结者的角色。检索信息的精准度高度依赖于向量相似度匹配，这可能导致检索结果包含无关内容（低精确率）或遗漏关键信息（低召回率）。

• 生成内容不完整：RAG 处理的是文档切片，其局部性决定了它无法获取整篇文档的全貌。因此在回答“列举XXX”或“总结XXX”这类需要全局视野的问题时，答案往往是不完整的。
• 缺乏大局观：RAG 难以判断需要多少切片才能完整回答问题，也无法理解文档间的关联。例如，在法律条文中，新的解释可能覆盖旧的，但 RAG 无法有效判断哪个版本是最新的。
• 多轮检索能力弱：RAG 缺乏执行多轮、复杂查询检索的能力，而这对于许多推理任务而言是必不可少的。

尽管近期出现了如 GraphRAG、KAG 等新技术试图解决这些问题，但它们都还不成熟。目前的 RAG 技术效果，距离我们的理想目标仍有差距。

下面，我们将介绍一种新的方案：通过 MCP 协议连接数据库，来提升对结构化数据的检索精准度。它能基本实现“text to SQL”的效果，实测检索效果显著优于 RAG。例如，面对这样一份学生信息列表：

当我们提出一个稍复杂的问题——“身高 180-190cm 之间的女生有哪些？”时，两种方式的对比结果如下：

二、理论：了解 MCP 的基础知识

在深入学习 MCP 之前，必须先了解 Function Call 的概念。

2.1 Function Call

早期的 AI 大模型如同一个知识渊博但被禁锢在房间中的人，只能依赖内部知识回答问题，无法直接获取实时数据或与外部系统交互。

Function Call（函数调用）是 OpenAI 在 2023 年推出的一个重要概念，它本质上是赋予大模型与外部系统交互的能力，就像为模型安装了一个“外挂工具箱”。

当大模型遇到无法直接回答的问题时，它可以主动调用预设的函数（如查询天气、访问数据库等），获取实时或精准信息后再生成回答。例如，在 Coze 这类零代码 Agent 搭建平台上看到的插件，其底层就是基于 Function Call 的思路封装的。

然而，这个能力有一个显著缺点：实现成本过高。在 MCP 出现之前，开发者要实现 Function Call 面临很高门槛。首先，模型本身需要稳定支持 Function Call 调用。例如在 Coze 中选择某些模型时，会提示不支持插件调用，本质就是不支持 Function Call。

其次，更大的问题在于 协议不统一。OpenAI 最初提出这项技术时，并未将其定义为行业标准。因此，尽管后续许多模型都支持了 Function Call，但各自的实现方式（参数格式、触发逻辑、返回结构等）各不相同。

这意味着，如果我们要开发一个 Function Call 工具，需要对不同模型进行单独适配，成本极高。

这也大大提高了 AI Agent 的开发门槛，使得在过去，开发者大多只能依赖 Dify、Coze 这类平台来构建 Agent。

核心特点与痛点

• 核心特点：
  • 模型专属：不同模型（GPT/Claude/DeepSeek）的调用规则各异。
  • 即时触发：模型解析用户意图后直接调用工具。
  • 简单直接：适合单一功能调用场景。
• 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。

2.2 MCP

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司推出的一个开放标准协议，旨在解决 AI 模型与外部数据源、工具交互的标准化难题。

你可以把 MCP 理解为一个“通用插头”或“USB-C接口”。它制定了一套统一的规范，无论是连接数据库、第三方 API 还是本地文件，各种外部资源都可以通过这个“通用接口”与 AI 模型交互，让整个过程变得标准化、可复用。

最初只有 Claude 客户端支持 MCP，并未引起广泛关注。但随着 Cursor 等工具的支持，以及各类插件和工具的跟进，MCP 逐渐进入大众视野。特别是近期，OpenAI 也宣布对 MCP 提供支持，这标志着 MCP 正成为 AI 工具调用的“行业标准”。

MCP 的工作原理：像 Claude Desktop、Cursor 这类工具作为 MCP Host，其内部实现了 MCP Client。MCP Client 通过标准的 MCP 协议与 MCP Server 交互。由第三方开发者提供的 MCP Server 负责实现与各种资源（数据库、浏览器、本地文件等）交互的具体逻辑，最后再将结果通过标准协议返回给 MCP Client 并展示。

开发者只需按照 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。同时，已开发出的 MCP Server 由于协议通用，可以直接开放给社区使用，极大地减少了重复劳动。例如，你开发的插件逻辑，可以同时应用于所有支持 MCP 的平台。

核心特点与价值

• 核心特点：
  • 协议标准化：统一了工具调用的请求、响应及错误处理格式。
  • 生态兼容性：一次开发即可对接所有兼容 MCP 的模型和客户端。
  • 动态扩展：新增工具无需修改模型代码，实现即插即用。
• 核心价值（解决三大问题）：
  • 打破数据孤岛 → 打通本地/云端数据源。
  • 避免重复开发 → 工具开发者只需适配 MCP 协议。
  • 消除生态割裂 → 促进形成统一的工具市场。

2.3 MCP 对比 Function Call

注：上图中关于“调用方式”的描述可能有误，实际调用方式应以具体实现为准。

三、尝试：学会 MCP 的基本使用

从 MCP 的架构图可知，使用 MCP 技术首先需要一个支持该协议的客户端，然后找到符合需求的 MCP 服务器，并在客户端中进行配置和调用。

3.1 MCP 客户端（Host）

MCP 官方文档列出了已支持该协议的客户端列表。MCP 为客户端定义了五大能力，目前最常用且支持最广泛的是 Tools（工具调用）能力。

这些支持 MCP 的工具大致可分为三类：

• 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

3.2 MCP Server

MCP Server 的官方描述是：一个通过标准化模型上下文协议公开特定功能的轻量级程序。简单来说，它就是通过标准化协议与客户端交互，让模型能够调用特定数据源或工具的程序。常见的 MCP Server 包括：

• 文件和数据访问类：如 File System MCP Server。
• Web 自动化类：如 Puppeteer MCP Server。
• 三方工具集成类：如高德地图 MCP Server。

寻找所需 MCP Server 的途径：

1. 官方 GitHub 仓库 (https://github.com/modelcontextprotocol/servers)：包含官方参考示例及社区开发的 Server。

2. MCP.so (https://mcp.so/)：第三方聚合平台，收录了 5000+ 个 MCP Server，提供友好的展示和配置示例。

3. MCP Market (https://mcpmarket.cn/)：访问速度不错，支持按工具类型筛选。

3.3 在 Cherry Studio 中尝试 MCP

我们以一个最简单的文件系统 MCP 接入为例，选择对新手友好的 Cherry Studio。它可以在客户端内一键安装必备环境（如 uv、bun），而其他一些工具可能需要用户手动安装。

打开 Cherry Studio 客户端，进入「设置 - MCP 服务器」并完成环境安装。

在搜索框中搜索 @modelcontextprotocol/server-filesystem，这是一个简单的文件系统 MCP Server。

点击添加后，补充一个参数：允许访问的文件夹路径（例如 ~/Desktop）。

保存后，如果服务器状态显示为绿灯，则配置成功。

接下来，在聊天区域选择带有扳手🔧图标的模型（这表示该模型支持工具调用），并打开下方的 MCP 开关。

现在，可以尝试让模型访问桌面文件列表。

调用成功！这就是一个最简单的 MCP 调用示例。不过，由于 Cherry Studio 对 MCP 的支持尚新，在模型兼容性和调用稳定性上可能有所不足。因此，在接下来的实战章节，我们将使用 VsCode + Cline 这一组合进行演示。但请记住，核心是掌握 MCP 的使用思路，随着生态发展，各种工具都会越来越成熟。

四、实战：使用 MCP 调用数据库

首先，我们构建一个简单的数据库案例用于演示。

4.1 准备 MongoDB 数据库

我们选择 MongoDB 这款流行的开源文档型数据库。它以 JSON 格式存储数据，相比关系型数据库（如 SQLite），其文档模型允许在同一集合中存储结构不同的文档，可以灵活地添加或修改字段，无需事先定义严格的表结构。这对于构建一个需要持续补充的结构化知识库场景非常友好。

1. 安装 MongoDB Community Server：从官网下载并安装免费开源版本。
2. 安装 MongoDB Compass：这是 MongoDB 提供的 GUI 可视化工具，便于查看和管理数据。
3. 连接数据库：通过 Compass 客户端连接到本地默认运行的 MongoDB 服务（通常监听 27017 端口）。

在本案例中，我们将使用一个学生信息数据集。数据表示范如下：

如果你不知道如何导入数据，可以借助 AI 生成导入脚本。提示词示例：帮我编写一个脚本，可以将当前表格中的数据导入我本地的 MongoDB 数据库，数据库的名称为 studentManagement。

运行脚本成功导入后，可以在 Compass 中看到数据库及其集合。

4.2 配置 VsCode 与 Cline 环境

在测试了多个支持 MCP 的客户端后，Cline 对 MCP 的兼容效果不错。它是一个开源、免费的 VSCode 插件，支持配置多种第三方 AI API，非常灵活。

安装与配置：

1. 在 VSCode 插件市场中搜索并安装 Cline（选择下载量最大的官方版本）。
2. 打开 Cline 侧边栏，进入设置，配置你的 AI 模型提供商和 API 密钥。

3. 配置完成后，在聊天窗口进行测试，确保模型能正常响应。

4.3 在 Cline 中配置 mcp-mongo-server

接下来，我们需要一个支持 MongoDB 的 MCP Server。社区已有现成的选择，例如 mcp-mongo-server。

在 Cline 中配置 MCP Server：

1. 点击上方工具栏的 MCP Servers 图标。
2. 如果所需 Server 不在内置市场列表，则切换到 Installed 标签页，点击 Configure MCP Servers。
3. 这会打开一个 JSON 配置文件 (cline_mcp_settings.json)。

根据 mcp-mongo-server 提供的配置示例，我们进行简化配置。关键参数是：

• command: 执行命令（这里用 npx，需提前安装 Node.js 环境）。
• args: 传递给命令的参数。

例如，连接本地无认证的 studentManagement 数据库：

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": [
        "mcp-mongo-server",
        "mongodb://localhost:27017/studentManagement"
      ]
    }
  }
}

将配置粘贴到 Cline 的配置文件中，如果左侧对应的服务器指示灯变为绿色，说明配置成功。

注意：使用 npx 命令需要你的电脑上已安装 Node.js 环境。安装后，可在终端通过 node -v 和 npx -v 验证。

现在进行测试。提问：“目前一共有多少名学生？”

Cline 会自动识别问题需要调用 MCP，并请求权限。允许后，MCP Server 会执行查询并返回准确结果。

再尝试一个复杂查询：“有多少身高大于 180、姓李的男同学？”

模型通过 MCP 生成并执行了对应的 MongoDB 查询条件，准确返回了结果。

对于一个模糊问题：“求张老师的联系方式”，模型也能通过查询教师表并匹配姓氏来找到答案。

接下来挑战一个需要多表关联和推理的问题：“有哪些同学期末考试比平时的考试成绩好？”

模型首先会探索数据库结构（例如查看 scores 表的一个样本），以了解字段名。

然后，它会构建一个复杂的聚合查询管道（使用 $match, $lookup, $project 等阶段），来关联学生表并筛选出期末成绩高于平时成绩的记录。

最终，模型能够给出准确的答案列表。

4.4 通过 Prompt 优化查询效果

MCP Server 为模型提供了访问数据库的能力，但数据库的表结构对模型而言起初是黑盒。这可能导致模型需要“猜测”字段名或先探查结构，影响效率和准确性。

一个有效的优化技巧是：在系统提示词（Custom Instructions）中明确告知模型表结构信息和要求。你可以用 AI 生成一份清晰的表结构说明。

然后，在 Cline 的设置中找到 Custom Instructions，将这段提示词粘贴进去。

添加提示词后，重新提问：“有哪些同学期末考试比平时的考试成绩好？”

此时，模型会直接根据已知的表结构生成精准的查询思路，并按科目给出详细的对比结果，效率显著提升。

再测试一个更复杂的多步关联查询：“有个学计算机的周同学，他老师的联系方式给我一下”。

模型成功执行了“找姓周学生 -> 确定其所在班级 -> 通过班级找到班主任ID -> 查询教师信息”这一系列操作。

4.5 对比知识库效果

为了对比，我们将同样的学生数据表导入 Coze 平台的知识库中。

对于简单问题“目前一共有多少名学生？”，知识库能正确回答。

但对于“有个学计算机的周同学，他老师的联系方式给我一下”这个问题，出于隐私考虑，知识库模型可能拒绝回答。

换成“有哪些同学期末考试比平时的考试成绩好？”，知识库模型也表示无法分析，需要额外数据。

对比非常明显：在结构化数据的精准查询和复杂分析场景下，MCP + 数据库的方式显著优于传统的 RAG 知识库。

4.6 目前的局限性

由于 MCP 技术正处于爆发初期，当前方案也存在一些局限性：

• 避免大数据量检索：与 RAG 仅检索最相关的切片不同，MCP 会执行真实的数据库查询。如果一次查询请求过大的数据量，会消耗大量 Token，甚至可能导致客户端卡顿。
• Token 消耗增加：许多 MCP 客户端依赖系统提示词来实现与工具的通信，启用 MCP 功能通常会伴随 Token 消耗量的增长。

尽管如此，未来依然可期。过去虽有基于 Function Call + Text2SQL 的类似尝试，但因开发成本和准确性难以普及。而今天我们探讨的 MCP + 数据库 的方式，极大地降低了开发门槛（甚至可以是零代码），且查询准确性高。相信它将在智能客服、仓储管理、信息管理等结构化数据检索场景中，成为一种非常有潜力的技术方案，并可能逐步替代传统的 RAG 方式。

希望这篇在 云栈社区 分享的实战教程，能帮助你理解并上手 MCP 这项强大的技术。