Chat2DB实现：Spring AI MCP 直连数据库

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

1. 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

2. 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

3. 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

1. 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

2. 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

3. 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

4. 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。