当 FastGPT 遇见 Doris：无需手写 SQL，丝滑实现自助 ChatBI

在日常工作中，我们经常遇到这样的场景：业务同学想看某个数据，提了个需求过来；而数据开发和分析的同学任务列表早已排满，一个简单的取数需求，可能也要等上一两天。

这种不大不小的数据需求瓶颈，几乎是每个公司的痛点。我们就在想，有没有可能，让大语言模型LLM成为一个能听懂自然语言的数据分析师，直接与我们的数据库对话，快速满足这些查询需求呢？

今天，我就手把手带大家玩一个有趣的组合：FastGPT加上Apache Doris，看看如何通过简单的几步配置，让一个LLM应用平台，丝滑地调用Doris数据库中的数据，实现一个自助式的ChatBI工具。

在开始之前，我们先简单认识下今天这场结合的两位主角。

一位是FastGPT，一个功能强大的开源LLM应用构建平台，你可以把它想象成一个乐高工厂，能帮你快速搭建出各种各样的AI应用，它最核心的能力之一就是可以方便地与外部工具进行交互。

另一位是Apache Doris，一款家喻户晓的、极速易用的实时分析型数据库，它查询性能强悍，运维简单，非常适合作为BI报表和即席查询的数据底座。

我们的目标，就是让FastGPT这个大脑，能够调用操作Doris这个数据仓库的工具。

要让它们能够对话，我们需要一个中间的翻译官，也就是MCP Server。它能将FastGPT的指令，转换成Doris可以理解的SQL，整个过程非常简单。

首先需要进行准备工作，安装一个依赖程序 pip install mcp-doris-server，并确保你的Doris服务端口可以被MCP Server所在的机器访问，同时准备好一个有查询权限的Doris数据库账号和密码。

然后，在你的终端里，执行下面这行命令，就能把这个扮演翻译官角色的服务启动起来了。

# 这是一条启动命令，IP、端口、用户、密码这些，你要换成你自己的
doris-mcp-server \--transport http \          # 让服务通过HTTP协议提供，方便AI调用--host 0.0.0.0 \            # 监听所有网络地址，这样别的机器才能访问到它--port 3000 \               # 我给这个服务开的端口号--doris-host 10.16.10.6 \   # 我的Doris数据库FE节点的IP--doris-port 9030 \         # Doris的查询端口--doris-user root \         # 连数据库的用户名--doris-password 123456 \   # 密码--doris-database ssb        # 我希望它默认去操作的数据库名叫ssb

看到服务成功启动的日志后，这个翻译官就正式上岗了。当然，如果你的FastGPT和刚才启动的MCP Server不在同一个局域网内，你可能需要用ngrok这样的小工具，给你的本地服务生成一个临时的公网地址。

万事俱备，现在我们回到FastGPT(https://cloud.fastgpt.cn/app)的界面，开始最后的配置。

先在应用市场里新建一个MCP工具集，给它起个名字，比如Doris MCP Server，然后在MCP地址里填上MCP Server的访问地址，格式是 http://<ip>:<port>/mcp。点击解析，FastGPT就会自动获取到所有可用的工具列表，然后点击确认创建即可。

接下来就是创建一个真正能与用户对话的AI应用。我们新建一个应用，起名叫Doris ChatBI。

最关键的一步是配置提示词Prompt，我们需要给这个AI应用设定一个角色，并告诉它如何使用我们刚刚创建的工具。一个好的Prompt应该包含角色定义、核心能力、工具使用策略等。

配置好提示词后，在应用的工具配置项里，选择团队，然后添加我们刚刚创建的Doris MCP Server工具集。最后再选择一个合适的LLM，比如豆包的模型，我们的Doris数据专家就准备好接受提问了。

我们来实际测试一下效果。先问一个基础的信息查询问题：查询ssb数据库中有哪些表?

可以看到，它不仅正确地调用了get_db_table_list工具，返回了ssb库里所有的表和视图，还非常智能地根据SSB测试集的背景，对每个表的用途做出了推测。更贴心的是，它还主动给出了下一步的操作建议，引导用户可以继续查询表结构或进行数据质量评估，交互体验非常棒。

我们再来看一个更复杂的分析类问题：在ssb数据库中过去十年的销售趋势如何，哪一年的增长速率最快？

这次，FastGPT展现了更强大的能力。它首先分析了lineorder表中的数据，然后发现数据范围只有1992到1998年，敏锐地指出了这与问题中的过去十年不符，并对1998年数据不完整的情况给出了说明。

基于已有的数据，它计算并表格化展示了每年的销售额和同比增长率，准确地找到了增长最快的年份。

最后，它还主动给出了进一步分析的SQL建议，比如按季度聚合，或者按商品类别分析销售额变化。这已经非常接近一个初级数据分析师的工作水平了。

通过这次简单的实战，我们可以看到，当FastGPT这样强大的LLM应用平台与Apache Doris这样高性能的分析型数据库相结合时，确实能爆发出巨大的潜力。

它极大地降低了数据消费的门槛，让不熟悉SQL的业务人员，也能通过自然语言与数据进行自由对话。

这还只是一个开始，未来我们还可以探索更复杂的数据质量规则校验、报表自动生成、异常归因分析等场景。通往人人都是数据-分析师的目标，似乎又近了一步。