快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

基于MCP服务器的AI Agent数据库查询系统

一种现代人工智能代理系统，利用模型上下文协议（MCP）服务器通过矢量搜索和检索增强生成（RAG）实现智能数据库查询。

概述

该项目实现了一种基于智能代理的架构，该架构通过MCP服务器连接到Oracle数据库，处理自然语言查询，并使用向量嵌入和RAG技术返回上下文相关的结果。

建筑

User Query → AI Agent → MCP Server → Vector Database → RAG Pipeline → Results
                ↓
          Oracle Database (via db_engine.py)

该系统使用AI代理来：

解释自然语言查询
通过MCP服务器协议连接到数据库
使用向量嵌入执行语义搜索
使用上下文信息检索和增强结果
结构化、相关的回复

特性

自然语言查询：用简单的英语提问
语义搜索：根据含义查找相关信息，而不仅仅是关键字
上下文感知响应：利用RAG提供准确、有根据的答案
Oracle数据库集成：通过现有的DB_engine直接连接到Oracle数据库
MCP服务器：代理数据库通信的标准化协议
智能体编排：智能路由和多步骤查询处理

项目结构

.
├── agents/              # AI agent implementations
│   ├── base_agent.py
│   ├── database_agent.py
│   └── query_agent.py
├── mcp/                 # MCP server integration
│   ├── server.py        # Server with Oracle DB integration
│   ├── client.py
│   └── protocol.py
├── vector_db/           # Vector database connectors
│   ├── base.py
│   ├── chroma_store.py
│   └── factory.py
├── rag/                 # RAG pipeline components
│   ├── pipeline.py
│   ├── retriever.py
│   ├── generator.py
│   └── chunker.py
├── embeddings/          # Embedding model utilities
│   ├── base.py
│   ├── openai_embeddings.py
│   └── factory.py
├── config/              # Configuration management
│   └── settings.py
├── db_engine.py         # Oracle database connection
├── main.py              # Main application entry point
├── example_mcp_server.py    # MCP server example
├── example_usage.py     # Usage examples
└── requirements.txt     # Python dependencies

安装

先决条件

Python 3.9+
Oracle数据库访问（在中配置 db_engine.py)
OpenAI API密钥（用于嵌入和LLM）

设置

克隆存储库

   cd aiAgents_database

安装依赖项

   pip install -r requirements.txt

配置环境变量

   cp .env.example .env

编辑 .env 将您的凭据归档

   # LLM Configuration
   LLM_API_KEY=your-openai-api-key
   LLM_MODEL=gpt-4
   LLM_PROVIDER=openai

   # RAG Configuration
   EMBEDDING_MODEL=text-embedding-ada-002
   CHUNK_SIZE=1000
   CHUNK_OVERLAP=200
   TOP_K_RESULTS=5

   # MCP Server Configuration
   MCP_SERVER_URL=http://localhost
   MCP_SERVER_PORT=8080

   # Vector Database
   VECTOR_DB_TYPE=chroma

用法

运行主应用程序

python main.py

这将启动一个交互式CLI，您可以在其中：

询问自然语言查询
将文档添加到知识库
查看查询历史记录
获取命令帮助

示例会话：

Query: What are the sales trends for Q3?

Processing query...
Query type: retrieval

------------------------------------------------------------
Answer:
Based on the retrieved data, Q3 sales showed a 12% increase
compared to Q2, reaching $1.8M in total revenue...
------------------------------------------------------------
Sources: 3 documents
------------------------------------------------------------

运行MCP服务器

单独启动MCP服务器以处理数据库请求：

python example_mcp_server.py

服务器将于启动 localhost:8080 （可配置）具有以下端点：

/mcp -主MCP协议端点
/health -健康检查端点

示例用法

运行示例以查看不同组件的运行情况：

python example_usage.py

这表明：

RAG查询处理
MCP客户端使用情况
数据库代理交互
查询代理分类

组件

1.数据库代理(代理/数据库_agent.py)

协调整个查询处理工作流：

from agents import DatabaseAgent

agent = DatabaseAgent(vector_store, mcp_client, rag_pipeline)
result = agent.process("What are the top selling products?")

2.查询代理(代理/query_agent.py)

解释和分类用户查询：

from agents import QueryAgent

query_agent = QueryAgent()
analysis = query_agent.process("Show me all customers")
# Returns: {'query_type': 'retrieval', 'action': 'search_database', ...}

3.RAG管道(抹布/流水线.py)

处理文档检索和答案生成：

from rag import RAGPipeline

result = rag_pipeline.query("What is RAG?", k=5)
print(result['answer'])

4.MCP服务器(mcp/server.py)

通过Oracle集成提供标准化的数据库访问：

from mcp import MCPServer
from db_engine import conn

server = MCPServer(db_connection=conn)
server.run()

5.矢量存储(vector_db/chroma_store.py)

管理语义搜索的向量嵌入：

from vector_db import create_vector_store

vector_store = create_vector_store(config)
vector_store.add_documents(documents, metadatas)
results = vector_store.similarity_search(query, k=5)

配置

系统通过环境变量和 config/settings.py 模块。

关键设置：

LLM_API_KEY（LLM_API_密钥）：您的OpenAI API密钥
嵌入模型：生成嵌入的模型
CHUNK_SIZE：文档处理的文本块大小
TOP_K_结果：要检索的结果数
MCP_SERVER_PORT：MCP服务器的端口

数据库集成

该系统通过以下方式与您现有的Oracle数据库集成 db_engine.py:

from db_engine import conn, engine

# Connection is automatically used by MCP server
# SQLAlchemy engine available for ORM operations

API示例

将文档添加到知识库

documents = [
    "Product X sold 1000 units in Q1",
    "Revenue increased 25% year-over-year"
]

agent.add_knowledge(documents)

使用筛选器进行查询

result = agent.process(
    query="Show sales data",
    context={'filter': {'category': 'electronics'}}
)

直接MCP查询

from mcp import MCPClient

client = MCPClient(config)
response = client.query_database("SELECT * FROM dual")

测试

运行示例用法以验证设置：

python example_usage.py

预期输出显示查询分类和处理示例。

故障排除

导入错误

确保安装了所有依赖项： pip install -r requirements.txt
检查Python版本： python --version （应为3.9+）

API密钥错误

验证您的 .env 文件已存在 LLM_API_KEY 集
确保API密钥有效并且有足够的信用

数据库连接错误

检查 db_engine.py 凭证
验证Oracle数据库是否可访问
测试连接： python -c "from db_engine import conn; print(conn)"

MCP服务器未启动

检查端口8080是否可用
在中尝试其他端口 .env: MCP_SERVER_PORT=8081

路线图

\[\]支持多个矢量数据库后端（Pinecone、Weaviate）
\[\]具有思维链的高级代理推理
\[\]多模式RAG（图像、表格）
\[\]实时交互的流式响应
\[\]查询优化和结果缓存
\[\]增强的MCP服务器功能（身份验证、速率限制）
\[\]Web UI，便于交互
\[\]从自然语言生成SQL查询

贡献

欢迎投稿！拜托：

分叉存储库
创建要素分支
进行更改
如果适用，添加测试
提交拉取请求

许可证

MIT许可证

致谢

模型上下文协议（MCP）社区
用于GPT和嵌入的OpenAI
ChromaDB用于矢量数据库
Oracle数据库平台
开源AI代理框架

支持

对于问题或疑问：

在GitHub上打开一个问题
检查现有文档
查看中的示例代码 example_usage.py

______________________________________________________________________

使用克劳德代码构建 -一种用于数据库查询的智能人工智能代理系统

目录标签

AI代理检索增强生成Python数据分析向量搜索本地部署数据库查询自然语言处理Oracle数据库

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/59e20e4636cdeb5b1460b1b486d890c7

一个利用模型上下文协议（MCP）服务器实现智能数据库查询的AI代理系统，支持向量搜索和检索增强生成（RAG）技术，适用于需要自然语言处理数据库查询的场景。

继续浏览同类 MCP

更多AI代理 MCP（18,706）返回 MCP 目录

上一个 MCP

AI Agents D098b105

LifeSync是一款基于Google ADK和MCP的多代理系统，用于自动化日常个人工作流程，适用于个人生活管理场景。

下一个 MCP

AI Agent Server

一个结合了模型上下文协议（MCP）服务器能力和独立命令行代理的双模式AI代理系统，支持API交互、文件管理、网页抓取、数据处理和AI任务执行。

aiAgents database