引言
在上一篇文章中，我们初步探讨了 Spring AI MCP（Model Context Protocol）的基础概念，并通过操作本地文件的示例，展示了如何使用 MCP 让 AI 模型理解和处理文件内容。本文将进一步深入，探讨 MCP 的进阶应用 ------ 通过 Chat2DB 实现与数据库的自然语言交互。
相比于文件操作，数据库交互往往涉及更复杂的结构和更严格的安全要求。通过 Chat2DB 和 MCP 的结合，我们将展示如何安全、高效地实现 AI 驱动的数据库查询功能。让我们一起看看如何将自然语言查询能力扩展到数据库领域。
什么是 Chat2DB？
Chat2DB 是一个创新的数据库交互方式，它允许我们使用自然语言来查询和操作数据库。通过结合大语言模型（LLM）的能力，Chat2DB 使得与数据库的交互变得更加直观和高效。用户可以用日常语言提问，系统会自动将这些问题转换为相应的数据库查询语句。
MCP (Model Context Protocol) 简介
MCP（Model Context Protocol）是一个专门设计的协议，用于为大语言模型提供数据库访问能力。它的主要特点包括：
- 提供只读数据库访问接口
- 允许 LLM 检查数据库架构
- 支持执行只读查询
- 确保数据安全性
在 PostgreSQL 场景中，MCP 服务器充当了数据库和 LLM 之间的桥梁，使得 AI 模型能够安全地理解和查询数据库结构。
Spring AI 集成实现
依赖配置
首先，需要在项目中添加必要的依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.experimental</groupId>
<artifactId>spring-ai-mcp</artifactId>
<version>0.4.1</version>
</dependency>
模型信息配置
笔者这里使用 deepseek v3 模型，只需要在 application.properties 中添加以下配置：
spring.ai.openai.chat.options.model=deepseek-chat
spring.ai.openai.base-url=https://api.deepseek.com
spring.ai.openai.api-key=sk-XXX
核心配置实现
以下是实现 MCP 客户端和聊天功能的核心代码：
@Bean
public CommandLineRunner predefinedQuestions(ChatClient.Builder chatClientBuilder,
List<McpFunctionCallback> functionCallbacks, ConfigurableApplicationContext context) {
return args -> {
var chatClient = chatClientBuilder
.defaultFunctions(functionCallbacks.toArray(new McpFunctionCallback[0]))
.build();
String question1 = "你能链接我的postgres数据库，然后告诉我这个数据库有多少张表吗？";
System.out.println("ASSISTANT: " + chatClient.prompt(question1).call().content());
String question2 = "你能链接我的postgres数据库，然后告诉我这个商品表里面哪个车最贵吗？";
System.out.println("ASSISTANT: " + chatClient.prompt(question2).call().content());
context.close();
};
}
@Bean
public List<McpFunctionCallback> functionCallbacks(McpSyncClient mcpClient) {
return mcpClient.listTools(null)
.tools()
.stream()
.map(tool -> new McpFunctionCallback(mcpClient, tool))
.toList();
}
@Bean(destroyMethod = "close")
public McpSyncClient mcpClient() {
var stdioParams = ServerParameters.builder("npx")
.args("-y", "@modelcontextprotocol/server-postgres",
"postgresql://postgres:lengleng@localhost:5432")
.build();
var mcpClient = McpClient.using(new StdioClientTransport(stdioParams))
.requestTimeout(Duration.ofSeconds(10)).sync();
var init = mcpClient.initialize();
System.out.println("MCP Initialized: " + init);
return mcpClient;
}
业务表如下
![]()
测试执行
![]()
工作原理
-
MCP 服务器初始化：
- 通过
McpSyncClient 建立与数据库的连接
- 配置连接参数和超时设置
- 初始化 MCP 协议
-
功能回调注册：
- 获取可用的数据库工具
- 将工具转换为功能回调
- 注册到聊天客户端
-
自然语言交互：
- 用户提供自然语言问题
- Spring AI 处理并转换为数据库查询
- 通过 MCP 执行查询并返回结果
使用场景
Chat2DB 结合 Spring AI MCP 特别适用于以下场景：
- 数据分析师快速查询数据
- 开发人员数据库探索
- 非技术人员数据库访问
- 数据库结构审查
安全考虑
在使用 Chat2DB 和 MCP 时，需要注意以下安全事项：
- MCP 默认只提供只读访问
- 建议使用专门的只读数据库账户
- 定期审查访问日志
- 设置适当的超时限制
执行流程分析
以下是 Spring AI MCP 与数据库交互的详细执行流程：
![]()
执行步骤详解
-
初始化阶段
- Spring 应用启动
- MCP Client 初始化，使用协议版本 2024-11-05
- 服务器信息：example-servers/postgres v0.1.0
-
工具注册阶段
- 注册 query 工具，用于执行只读 SQL 查询
- 设置查询超时时间为 10 秒
-
数据库交互阶段
- 执行数据库连接检查
- 获取数据库表结构信息
- 执行用户查询并返回结果
-
响应处理阶段
- 将数据库查询结果转换为结构化 JSON
- AI 模型处理结果并生成自然语言回答
- 返回格式化的响应给用户
示例查询执行
-- 查询表数量
SELECT COUNT(*) as count FROM information_schema.tables
WHERE table_schema = 'public';
-- 查询表结构
SELECT column_name, data_type
FROM information_schema.columns
WHERE table_name = 'products';
-- 查询商品数据
SELECT id, name, price
FROM products
ORDER BY price DESC;
这个执行流程展示了 Spring AI MCP 如何无缝地将自然语言查询转换为数据库操作，并将结果转换回用户友好的格式。整个过程是自动化的，用户无需了解底层的 SQL 查询细节。
总结
Chat2DB 配合 Spring AI MCP 为数据库交互提供了一个革新性的解决方案。通过自然语言处理和安全的协议设计，它既保证了易用性，又确保了数据安全。这种方案特别适合需要频繁数据库查询但希望降低技术门槛的场景。
如果您对 Java AI 感兴趣，欢迎订阅我的频道。
