MCP+数据库，一种比 RAG检索效果更好的新方式！

1.pdf在线链接

</div>

MCP + 数据库，一种比 RAG 检索效果更好的新方式！

作者：Conardi.i | code秘密花园

---

一、背景：RAG 的局限性

RAG（检索增强生成）通过结合信息检索和生成模型解决大模型的知识准确性问题，但存在以下问题：

1. 检索精度不足：依赖向量相似度匹配，易包含无关内容或遗漏关键信息。
2. 生成内容不完整：文档分块导致无法获取全局信息，回答“列举/总结类”问题不完整。
3. 缺乏多轮检索能力：无法执行复杂查询或判断文档间关联。

---

二、理论：了解 MCP 的基础知识

2.1 Function Call

• 功能：大模型调用外部工具（如查询天气、数据库）的接口。
• 缺点：
  • 实现成本高，需模型支持特定调用规则。
  • 协议碎片化，不同模型适配方式不同（类似不同品牌手机的充电接口）。

2.2 Model Context Protocol (MCP)

• 定义：Anthropic 推出的开放协议，统一AI模型与外部数据源/工具的交互标准。
• 核心价值：
  • 协议标准化（基于 JSON-RPC 2.0）。
  • 工具热插拔，无需修改模型代码。
  • 解决数据孤岛、重复开发、生态割裂问题。

2.3 MCP vs Function Call

对比维度	Function Call	MCP
协议标准	私有协议	开放协议
扩展成本	高（需调整模型）	低（即插即用）
适用场景	简单任务（单次调用）	复杂流程（多工具协同）

---

三、尝试：MCP 的基本使用

3.1 MCP 客户端（Host）

支持工具示例：

• AI聊天工具：Claude Desktop、LibreChat
• AI编程工具：Cursor、Cline
• 开发框架：Genkit、BeeAI

3.2 MCP Server

• 类型：
  • 文件访问类（如 File System MCP Server）。
  • Web自动化类（如 Puppeteer MCP Server）。
  • 三方工具集成类（如高德地图 MCP Server）。
• 资源获取：通过官方仓库（GitHub）或社区市场（MCP Market）。

3.3 在 Cherry Studio 中尝试 MCP

1. 安装环境：配置文件系统访问权限（如路径 /Users/bytedance/Desktop/project/dev/mcp-server-demo）。
2. 启用支持MCP的模型（带扳手图标）。
3. 示例指令：

   mcp-server-demo 下有哪些文件？  
   生成鲁迅简介的md文档并保存到该目录。
   

---

四、实战：使用 MCP 调用数据库

4.1 MongoDB 配置

1. 安装：下载 MongoDB Community Server 和可视化工具 Compass。
2. 导入数据：通过Python脚本将学生信息表导入 studentManagement 数据库。

   import pandas as pd  
   from pymongo import MongoClient  
   client = MongoClient('mongodb://localhost:27017/')  
   db = client['studentManagement']  
   data = pd.read_csv("学生信息.csv")  
   db.students.insert_many(data.to_dict('records'))
   

4.2 VSCode + Cline 配置

1. 安装Cline插件：在VSCode插件市场搜索并安装。
2. 配置MCP Server：手动添加 mcp-mongo-server 配置：

   {  
     "mongodb": {  
       "command": "npx",  
       "args": ["mcp-mongo-server", "mongodb://localhost:27017/studentManagement"]  
     }  
   }
   

4.3 查询示例

• 简单查询：

  目前共有多少名学生？ → 返回结果：32名
  

• 复杂查询：

  身高>180cm、姓李的男同学 → 返回结果：3名
  

• 模糊查询：

  期末考试比平时成绩好的学生 → 模型通过聚合管道分析成绩表并返回结果。
  

4.4 通过 Prompt 优化

添加全局提示词描述数据库表结构（如学生表、成绩表字段及关联关系），提升模型查询准确性。

---

五、对比与局限性

4.5 对比知识库（RAG vs MCP）

• RAG缺点：
  • 依赖文本匹配，无法执行结构化查询（如“张老师的联系方式”）。
  • 回答模糊或无法完成复杂分析。
• MCP优势：直接执行数据库查询，结果精准。

4.6 局限性

1. 数据量限制：避免单次查询过大导致Token消耗剧增。
2. Token消耗：MCP依赖系统提示词，Token用量显著增加。

---

全套教程资源：《人人都能学会的 AI 教程》合集
代码与配置示例：GitHub仓库

---