bolt (Pratik 11)

🚀 Bolt-自托管AI数据代理

](https://github.com/Pratik-11/Bolt/stargazers) ](https://github.com/Pratik-11/Bolt/network/members) ](https://github.com/Pratik-11/Bolt/issues) 

强大的自托管Gen AI代理，集成MCP服务器，用于解决组织数据驱动的查询和任务

特性 • 快速开始 • 文档 • 贡献 • 支持

______________________________________________________________________

🎯 什么是Bolt？

Bolt是一款尖端产品 自托管AI数据代理 它结合了 Ollama的本地人工智能模型 随着 雪花数据仓库 通过 模型上下文协议（MCP）。它使组织能够就其数据提出自然语言问题，并获得智能的、人工智能生成的SQL查询和见解，同时保持一切安全和内部部署。

🌟 为什么是博尔特？

• 🔒 隐私第一：将您的数据和人工智能处理完全本地化
• 🧠 智能数据查询：使用AI将自然语言转换为SQL
• 🏢 企业就绪：组织数据的无缝雪花集成
• 📊 实时洞察：即时数据分析和可视化
• 💰 成本效益高：自测试解决方案，无需外部API成本
• 🔧 轻松设置：在Google Colab上一键部署

______________________________________________________________________

✨ 特性

🤖 人工智能驱动的数据交互

• 自然语言查询：用简单的英语就你的数据提问
• 智能SQL生成：AI自动生成优化的Snowflake查询
• 多模型支持：根据您的需求从7B到14B参数模型中选择
• 上下文感知响应：了解您的数据模式和关系

🔗 无缝集成

• 雪花集成：直接连接到Snowflake数据仓库
• MCP协议：行业标准模型上下文协议实现
• Olama支持：Calma 2、Mistral、CodeCalma等的本地托管
• 谷歌Colab就绪：云笔记本中的零设置部署

🛡️ 安全与隐私

• 本地AI：没有数据发送到外部人工智能服务
• 凭据管理：数据库凭据的安全处理
• 环境隔离：容器化执行环境
• 访问控制：内置安全最佳实践

📈 分析与洞察

• 互动结果：漂亮的数据可视化和格式化
• 查询历史：跟踪和重用以前的查询
• 性能指标：监视查询执行时间和结果
• 导出功能：以多种格式保存结果

______________________________________________________________________

🚀 快速开始

选项1：谷歌Colab（推荐）

1. 在Colab开放: 

1. 上传笔记本：上传 model.ipynb 和 mcp.ipynb 到你的Colab

1. 遵循引导设置:

- 从开始 model.ipynb 建立Ollama - 然后运行 mcp.ipynb 用于雪花集成

选项2：本地设置

# Clone the repository
git clone https://github.com/Pratik-11/Bolt.git
cd Bolt

# Install Ollama (Linux/macOS)
curl -fsSL https://ollama.com/install.sh | sh

# Install Python dependencies
pip install snowflake-connector-python==3.0.0 python-dotenv jupyter

# Start Jupyter
jupyter notebook

设置第一个查询

# 1. Start with model setup
# Open model.ipynb and follow the cells to:
# - Install Ollama
# - Download your preferred AI model (7B or 14B)
# - Test the model

# 2. Configure data connection  
# Open mcp.ipynb and:
# - Set up Snowflake credentials
# - Initialize MCP server
# - Test data connectivity

# 3. Ask your first question!
result = ai_with_data.execute_ai_query("Show me top 10 customers by order value")

______________________________________________________________________

📚 文档

架构概述

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   User Query    │───▶│  Ollama AI      │───▶│   Snowflake     │
│ (Natural Lang.) │    │  (SQL Gen.)     │    │   (Data Exec.)  │
└─────────────────┘    └─────────────────┘    └─────────────────┘
         ▲                       │                       │
         │                       ▼                       ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Formatted     │◀───│  MCP Server     │◀───│   Query Results │
│   Results       │    │  (Orchestrator) │    │   (Raw Data)    │
└─────────────────┘    └─────────────────┘    └─────────────────┘

支持的型号

环境变量

# Snowflake Configuration
SNOWFLAKE_USER=your_username
SNOWFLAKE_PASSWORD=your_password
SNOWFLAKE_ACCOUNT=your_account
SNOWFLAKE_DATABASE=your_database
SNOWFLAKE_WAREHOUSE=your_warehouse

______________________________________________________________________

🛠️ 发展

项目结构

Bolt/
├── model.ipynb          # Ollama model setup and configuration
├── mcp.ipynb           # MCP server and Snowflake integration
├── README.md           # Project documentation
├── .gitignore         # Git ignore rules
└── requirements.txt    # Python dependencies (if local setup)

关键组件

• EmbeddedMCPServer：核心MCP服务器实现
• OllamaWithMCP：具有数据集成功能的AI客户端
• 雪花连接器：安全的数据库连接
• 查询生成器：自然语言到SQL的转换

______________________________________________________________________

🤝 贡献

我们欢迎社区的贡献！以下是您可以提供帮助的方式：

贡献方式

• 🐛 错误报告：发现问题？ 打开一个问题
• 💡 功能请求：有主意吗？ 开始讨论
• 📝 文档：改进我们的文档和示例
• 🧪 测试：帮助测试新功能和边缘情况
• 🔧 代码：提交bug修复和功能的pull请求

开发设置

1. 分叉存储库
2. 创建要素分支: git checkout -b feature/amazing-feature
3. 进行更改 并进行彻底测试
4. 提交您的更改: git commit -m 'Add amazing feature'
5. 推到您的分支: git push origin feature/amazing-feature
6. 打开拉取请求

贡献指南

• 遵循现有的代码样式和结构
• 为新功能添加测试
• 根据需要更新文档
• 确保所有笔记本电脑都能成功运行
• 为复杂逻辑添加注释

______________________________________________________________________

🧪 测试

手动测试

1. 模型测试：验证AI模型响应
2. 数据库测试：测试雪花连接
3. 集成测试：端到端查询执行
4. 性能测试：监控响应时间

测试场景

• 简单数据查询（SELECT语句）
• 复杂的分析查询（JOIN、聚合）
• 错误处理（无效查询、连接问题）
• 不同型号尺寸和类型

______________________________________________________________________

🗺️ 路线图

1.1版本（即将推出）

• \[\]支持其他数据库（PostgreSQL、MySQL）
• \[\]基于Web的用户界面
• \[\]查询结果缓存
• \[\]增强的错误处理

1.2版本（未来）

• \[\]多租户支持
• \[\]高级可视化功能
• \[\]用于外部集成的API端点
• \[\]Docker容器化

2.0版本（愿景）

• \[\]多模式AI支持（文本+图表）
• \[\]实时数据流
• \[\]高级安全功能
• \[\]企业SSO集成

______________________________________________________________________

👥 贡献者

核心团队

Pratik Singh

Creator & Lead Developer

想加入这个列表吗？

查看我们的 贡献指南 今天就开始贡献吧！

______________________________________________________________________

📄 许可证

该项目根据 MIT许可证 -看看 许可证 文件以获取详细信息。

MIT License - Feel free to use, modify, and distribute
Commercial use permitted - Build amazing products with Bolt!

______________________________________________________________________

💬 支持与社区

获得帮助

• 📖 文档：查看我们上面的综合指南
• 🐛 问题: 用于错误报告
• 💬 讨论: 回答问题
• 📧 电子邮件：用于私人咨询和企业支持

保持联系

• ⭐ 标记此回购 表示支持
• 👁️ 手表 获取更新和新版本
• 🍴 分叉 开始构建自己的版本
• 📢 分享 与您的团队和社区

______________________________________________________________________

🙏 致谢

特别感谢：

• 没有 使本地AI可访问
• 雪花 因为他们强大的数据平台
• MCP协议 用于标准化AI数据连接
• 谷歌Colab 免费云计算
• 开源社区 寻求灵感和支持

______________________________________________________________________

由以下材料制成❤️ 靠近 普拉提克·辛格

星⭐ 如果你觉得这个仓库有用的话！

](https://github.com/Pratik-11/Bolt/stargazers)