导读
BaikalDB作为服务百度商业产品的分布式存储系统，支撑了整个广告库海量物料的存储。在大语言模型LLM蓬勃发展的现在，想在大模型里使用BaikalDB里的数据进行分析，都需要复杂的定制开发。看BaikalDB如何借助模型上下文协议(MCP)，让数据库对话像聊天一样简单——无需编写代码，大语言模型即可完成复杂数据分析。
01 引言
在2025年以前，大语言模型（Large Language Model，LLM）想要使用数据库的数据，都需要开发人员设计接口、开发Agent插件、构建Prompt等费时费力的一系列定制开发；同时面对不同大模型的差异，还需要额外的重复性工作进行适配。
随着模型上下文协议（Model Context Protocol，MCP）的标准化普及，这一局面被彻底重构。MCP通过定义统一的上下文交互规范，为应用程序与AI模型建立了 “通用通信协议”。
基于此，BaikalDB团队创新推出BaikalDB MCP Server，将其打造为连接LLM与分布式存储系统的 “智能USB接口” ——该方案具备三大核心价值：
1. 零开发集成：支持主流LLM通过标准化协议直接访问BaikalDB，无需编写任何适配代码。
2. 全链路自动化：从自然语言意图理解、SQL智能生成到查询执行与数据分析，实现端到端闭环。
3. 多模型兼容性：屏蔽底层技术差异，一套接口适配GPT、Claude、文心一言等各类大模型。
02 MCP: AI USB接口
2024年11月由Anthropic公司提出的模型上下文协议MCP，是一种标准化的大模型与外部数据源、工具交互的开放协议。来源于USB接口范式的设计灵感，MCP的核心思想在于：通过创建一个通用的标准（如USB接口设计），解决大语言模型与外部系统间的“信息孤岛” 问题，该协议通过三大核心原则重构AI开发生态：
1. 即插即用标准化：定义统一的上下文交换格式，使大模型与数据源/工具的对接效率提升80%以上。
2. 组件解耦化：支持不同AI模块的热插拔组合，开发者可像搭积木般构建复杂AI系统。
3. 语义透明化：通过标准化上下文标记，实现跨组件意图传递的零损耗。
![图片]()
△MCP设计理念
2.1 MCP 组成
如上图所示，MCP 由三个核心组件构成：MCP Host、MCP Client 和 MCP Server：
![图片]()
官方文档链接：
https://modelcontextprotocol.io/clients
https://modelcontextprotocol.io/quickstart/client
https://modelcontextprotocol.io/quickstart/server
https://github.com/modelcontextprotocol/servers?tab=readme-ov-file
MCP Server的三类能力：
供模型调用的函数或服务，用于执行特定任务。如一个天气查询工具，获取指定城市的天气信息。
供模型读取的数据源，如文件数据或 API 响应内容，为模型提供了丰富的上下文信息，增强了模型的理解能力。
预先编写的模板，旨在帮助用户完成特定的任务，通常是为了优化工具或资源的使用，提供一种更高效、更准确的交互方式。
MCP Client和Server之间的三种通讯方式：
MCP Server运行在本地。
通过标准输入（stdin）和标准输出（stdout）建立双向通信，1对1服务。
MCP Server运行在本地或远程运行。
通过服务器发送事件协议（SSE）进行通信，支持N对1服务。
在 2024-11-05 版本废弃，被 Streamable HTTP 替代，后者将 SSE 作为可选的流式传输机制纳入其中。
MCP Server运行在本地或远程运行。
通过可流式HTTP传输协议通信，支持N对1服务。
支持流式传输，适合大数据量场景，提供更灵活的传输能力
2.2 MCP 流程
文心快码Comate是百度基于文心大模型开发的智能代码助手，旨在通过AI技术重构编程流程，提升开发效率与代码质量。目前Comate不仅支持智能代码生成、单元测试生成等功能，还支持接入外部MCP Server与大模型进行交互。
以在文心快码Comate里通过BaikalDB MCP Server对BaikalDB数据进行查询分析举例：
![图片]()
1. MCP Host：Comate Desktop 作为 Host，负责接收提问【分析42601969用户在 2023-3月每天的转化总数，按照时间升序排序，用折线图展示，并分析趋势走向 】并与大模型交互。大模型解析提问，并生成对应的SQL。
2. MCP Client：当大模型决定需要baikaldb_mcp/read_query Tool，Comate 中内置的 MCP Client 会被激活。这个Client负责与BaikalDB MCP Server建立链接并调用read_query工具。
3. MCP Server：BaikalDB MCP Server被调用，接收、执行查询语句，最终返回SQL执行结果。
完整执行流程：你的问题 → Comate Desktop → 大模型 → 需要查询BaikalDB表，并生成对应SQL → MCP Client 连接 → BaikalDB MCP Server → 执行SQL并返回结果 → Comate生成回答 → 生成折线图。
MCP架构设计使得如Comate等LLM应用，可以在不同场景下灵活调用各种工具和数据源，而开发者只需专注于开发对应的 MCP Server，无需关心 Host 和 Client 的实现细节。
03 BaikalDB MCP Server
3.1 BaikalDB MCP Server主要功能
BaikalDB MCP Server提供了以下功能，支持大模型直接和BaikalDB数据库进行交互：
1. 工具类（Tools）：大模型可以根据上下文按需调取的直接和BaikalDB交互的工具。
connect_baikaldb：给定链接信息（包括host，port，username，password，database），连接到对应的BaikalDB数据库，使用过程中支持动态切换不同的BaikalDB集群。
- 查询操作：包括获取库表信息，执行SELECT/DML SQL，分析SQL索引使用扫描量等。
show_all_databases：获取所有的数据库列表信息。
db_overview：获取指定数据库中所有表的概览信息。
table_overview：获取指定表的概览信息，包括：表结构（show create table）、表示例数据（select * from table limit 3）。
read_query：执行select sql并返回csv结果数据，大模型拿到结果可以进行智能分析、智能绘图等等。
write_query：执行建删表、插入删除变更等dml sql并返回操作结果。
analyze_select_query：分析查询SQL执行情况：使用的索引，索引扫描/过滤/反查行数等，支持大模型进行索引分析推荐。
- 模板操作（优化复杂场景使用）：支持预先导入模板SQL（如百度智能云推出的Sugar BI SQL模板），帮助大模型理解业务逻辑，后续大模型可在模板SQL基础上改写查询分析，并支持基于模板进行二次查询（如再次聚合），不同BaikalDB用户之间模板不共享。
get_all_bi_sql_template_list：查询当前BaikalDB用户已导入的SQL模板列表。
get_bi_sql_template_detail：获取SQL模板详细信息，包括SQL模板，相关表Schema等。
add_bi_sql_template：指定模板说明，模板SQL等，添加新的SQL模板。
delete_bi_sql_template：删除指定的SQL模板。
2. 资源类 (Resources) 和 提示词 (Prompts)：
- 目前BaikalDB MCP Server暂未定义资源和提示词，未来会根据使用场景灵活添加，以更好的引导大模型和BaikalDB进行交互。
通过以上工具，BaikalDB MCP Server使得大模型能自主的查询/操作数据库，进行多轮数据智能分析，并且可以结合大模型和其他MCP能力，并高效的通过多种形式呈现分析结果（如Excel文本，绘制图表等）。
3.2 BaikalDB MCP Server应用场景
BaikalDB MCP Server拥有以上能力后，就可以在以下场景中进行使用：
1. 实时数据分析和智能报表
- 大模型可以实时查询BaikalDB的业务数据，生成可视化报表，并可结合历史上下文生成分析报告或者建议。
2. 多数据源联邦查询分析
- 通过MCP支持大模型同时访问BaikalDB和其他数据源（如知识库、Mysql等），实现联邦分析。
3. 开发测试提效
- 在开发测试过程中，通过自然语言交互，建删改表、增删改查、构造测试数据、分析SQL执行情况等，不用额外切多个窗口执行SQL操作。
04 BaikalDB MCP Server使用
BaikalDB MCP Server使得BaikalDB不单是个高性能的分布式数据库，还是大模型的分析执行插件，使得用户不再需要任何开发，即可对BaikalDB存储的数据进行智能分析。
4.1 Comate 配置
以Comate举例：按照以下图示步骤，将BaikalDB MCP Server json配置添加到Comate MCP配置文件中，即可以在Comate中使用大模型操作BaikalDB数据库。当然后续我们会尝试将BaikalDB MCP Server发布到MCP仓库，使得配置更简单！
![图片]()
![图片]()
![图片]()
BaikalDB MCP Server Json配置如下：
{
"mcpServers": {
"baikaldb_mcp": {
"transport": "sse/streamableHttp",
"url": "BaikalDB MCP Server URL",
"headers": {},
"timeout": 50
}
}
}
4.2 Demo 演示
示例1：智能分析
下方视频展示了，在Comate中用自然语言对数据库数据进行智能分析和图表展示。
智能分析视频
示例2：开发测试提效
下方视频展示了，开发测试过程中的智能建表、导数、SQL执行分析、索引推荐等。
提效视频
示例3：基于模板智能分析
下方视频展示了，在复杂业务场景中，通过预先导入的BI SQL模板进行更高效准确的智能分析。
模板分析视频
05 总结
BaikalDB MCP Server的核心价值在于打破了数据库数据的信息壁垒，构建了一条完整的智能数据处理链路，实现了从自然语言解析到业务建议输出的端到端能力：
但是也存在一些问题：
当然，随着大模型推理能力的持续提升和MCP协议生态的完善，这种数据智能范式将在金融风控、供应链优化、智能客服等复杂业务场景中展现出更大的价值潜力。
