广州建委网站最好用的免费建站
通过 MCP（Multi-Agent Collaboration Platform，多智能体协作平台）+ 数据库，实现一个AI检索和分析系统。
一、系统目标
实现通过 AI 多智能体对结构化（数据库）和非结构化（文档、文本）数据进行：
-
✅ 智能检索（自然语言问答、SQL 自动生成）
-
✅ 智能分析（总结、趋势识别、异常检测、风险分析等）
-
✅ 多模型协同分析 + 决策建议
-
✅ 结果推送（如 ECM、BPM 系统对接、前端仪表盘展示）
二、技术组成与框架结构
整体结构如下：
[ 用户 ] ⇄ [ MCP Server ] ⇄ [ Agent / LangChain Tool ] ⇄ [ 数据库 / 文档系统 ]⇅[ 多模型分析引擎 ]
1. MCP Server
-
支持用户通过自然语言输入查询意图（如：“分析近三月销售异常”）
-
调用 Agent 工厂，动态分配合适的 AI Agent 进行任务分解与协作
-
负责中控调度、缓存上下文、流程记录和结果集成
2. 数据检索模块（LangChain + 数据库工具）
-
使用 LangChain
SQLDatabaseChain或SQLAgent工具对接数据库 -
支持自然语言转 SQL（通过 GPT/Claude 等模型）
-
数据库返回结构化数据（DataFrame）
-
对于多表分析，使用
SQLGraph工具做自动联表推理
3. AI 分析 Agent
-
负责对结构化数据进行统计分析、趋势识别、聚类等
-
可通过 Python Agent（LangChain 的
Pandas DataFrame Agent）进行数据分析（用模型调用pandas、matplotlib等进行分析）
4. 多模型投票机制（可选）
-
通过调用 Claude/GPT/Mistral 等多个模型
-
对分析结果进行比对和投票（如多个模型都认为某条数据是风险项，则置信度更高）
5. 分析结果输出模块
-
可以将结果推送到：
-
ECM 系统（如 IBM FileNet）做文档记录
-
BPM 系统（如 IBM BPM）发起审批流程
-
前端仪表盘展示（如 React + Tailwind + Charts）
-
三、功能示例
示例 1：自然语言问数据库
用户输入：「帮我查一下过去3个月每个地区的销售趋势，并找出异常波动。」
执行流程：
-
MCP 调用
SQLAgent将用户意图翻译为 SQL -
查询数据库中相关销售表
-
将数据交给
Pandas Agent进行趋势图绘制 + 异常检测 -
返回分析结果 + 图表
-
可选：将异常记录推送到 BPM 发起“销售异常核查”流程
示例 2：合同数据分析（结合 ECM）
用户输入：「找出近30天签署的合同中，金额超过100万的，并做风险分析。」
-
查询数据库 + ECM 中文档（合同 PDF 或条款摘要）
-
使用 NLP 模型（或 Agent）读取文本内容进行分析（如违约风险）
-
多模型评估结果（Claude/GPT/Mistral 投票）
-
推送分析结果到 ECM 系统的备注字段或 BPM 流程中
四、数据库接入方式（MySQL/PostgreSQL 示例）
可以使用 LangChain 中的 SQLDatabase 对象连接数据库：
from langchain.utilities import SQLDatabasedb = SQLDatabase.from_uri("mysql+pymysql://user:password@host:3306/database_name")
然后使用 SQLDatabaseChain 或 SQLAgent 对接：
from langchain.chains import SQLDatabaseChain
from langchain.chat_models import ChatOpenAIllm = ChatOpenAI(model_name="gpt-4")
db_chain = SQLDatabaseChain.from_llm(llm, db)response = db_chain.run("显示最近三个月销售额趋势")
五、搭建一个本地 MCP + SQLite 的 AI 数据分析原型系统，使用 LangChain + GPT（或本地模型）实现自然语言到 SQL，再通过 Pandas 分析数据。
第一步：系统核心结构设计
我们先构建一个最简 MVP（最小可行产品）版本，包含以下模块：
系统模块划分
| 模块名 | 功能说明 |
|---|---|
| 用户界面 | 输入自然语言查询 |
| MCP Server | 调度 Agent，管理上下文和执行流程 |
| SQL Agent | 自然语言转 SQL，并查询 SQLite |
| 分析 Agent | 用 Pandas 对结果做分析、趋势识别、图表输出等 |
| 输出模块 | 将分析结果展示在终端或网页 |
第二步：环境准备
安装依赖（建议新建虚拟环境）
pip install langchain openai sqlite3 pandas matplotlib streamlit
你可以用
gpt-3.5-turbo作为 LLM，也可以对接本地模型（如 Ollama）
第三步：原型代码结构
我们先建立如下文件结构：
mcp_sqlite_demo/
│
├── main.py # 主入口
├── db_init.py # 创建并填充 SQLite 示例数据
├── mcp_server.py # 模拟 MCP 调度器
├── agent_sql.py # SQL Agent 实现
├── agent_analysis.py # 数据分析 Agent 实现
第四步：编写关键代码
1. 创建示例数据库（db_init.py）
import sqlite3
import random
from datetime import datetime, timedeltaconn = sqlite3.connect("sales.db")
cur = conn.cursor()cur.execute("DROP TABLE IF EXISTS sales")
cur.execute("""
CREATE TABLE sales (id INTEGER PRIMARY KEY,region TEXT,amount REAL,sale_date TEXT
)
""")regions = ["华东", "华南", "华北", "西南", "东北"]
start_date = datetime(2023, 12, 1)for i in range(90):for region in regions:date = (start_date + timedelta(days=i)).strftime("%Y-%m-%d")amount = round(random.uniform(5000, 50000), 2)cur.execute("INSERT INTO sales (region, amount, sale_date) VALUES (?, ?, ?)",(region, amount, date))conn.commit()
conn.close()
print("数据库初始化完成 ✅")
运行后会生成一个 sales.db 的销售数据库。
2. SQL Agent（agent_sql.py）
from langchain.utilities import SQLDatabase
from langchain.agents import create_sql_agent
from langchain.agents.agent_toolkits import SQLDatabaseToolkit
from langchain.chat_models import ChatOpenAIdef get_sql_agent():db = SQLDatabase.from_uri("sqlite:///sales.db")llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)toolkit = SQLDatabaseToolkit(db=db, llm=llm)agent_executor = create_sql_agent(llm=llm,toolkit=toolkit,verbose=True,)return agent_executor
3. 分析 Agent（agent_analysis.py）
import pandas as pd
import matplotlib.pyplot as pltdef analyze_sales(df):print("\n🔍 正在分析销售趋势...")trend = df.groupby("sale_date")["amount"].sum()trend.plot(kind="line", title="每日销售趋势", figsize=(10, 5))plt.tight_layout()plt.savefig("sales_trend.png")max_day = trend.idxmax()print(f"\n📈 销售峰值日期：{max_day}，金额：{trend.max():,.2f}")
4. MCP Server 主控（mcp_server.py）
from agent_sql import get_sql_agent
from agent_analysis import analyze_sales
import pandas as pd
import sqlite3def run_query(natural_language_query):print(f"\n🧠 MCP 收到请求：{natural_language_query}")agent = get_sql_agent()sql_response = agent.run(natural_language_query)print("\n📊 SQL Agent 执行结果如下：")print(sql_response)# 执行 SQL 再交给分析模块db = sqlite3.connect("sales.db")df = pd.read_sql_query("SELECT * FROM sales", db)analyze_sales(df)
5. 启动主程序（main.py）
from mcp_server import run_queryif __name__ == "__main__":print("欢迎使用 MCP + SQLite 智能分析系统")while True:query = input("\n💬 请输入分析请求（或 q 退出）：")if query.lower() in ['q', 'exit']:breakrun_query(query)
第五步：运行测试
先初始化数据库：
python db_init.py
然后运行主程序：
python main.py
示例输入：
过去30天每个地区销售趋势如何？有没有异常波动？
六、可运行的本地系统模板
把这个 MCP + SQLite 的 AI 分析系统打造成一个完整可运行的本地系统模板，包括：
-
✅ 完整代码结构
-
✅ Streamlit 前端界面
-
✅ Docker 容器化部署支持
-
✅ 可扩展的多 Agent 结构
1.项目结构设计（最终版）
我们建立如下目录结构：
mcp_sqlite_ai/
│
├── app/
│ ├── __init__.py
│ ├── db_init.py # 初始化 SQLite 示例数据
│ ├── mcp_server.py # MCP 调度模块
│ ├── agent_sql.py # SQL Agent
│ ├── agent_analysis.py # 分析 Agent
│ └── config.py # 模型配置
│
├── frontend/
│ └── dashboard.py # Streamlit 前端交互界面
│
├── Dockerfile # Docker 镜像构建
├── requirements.txt # 依赖列表
└── run.sh # 一键运行脚本
2.文件内容逐个说明
✅ app/db_init.py
# 初始化数据库
import sqlite3
import random
from datetime import datetime, timedeltadef init_db():conn = sqlite3.connect("sales.db")cur = conn.cursor()cur.execute("DROP TABLE IF EXISTS sales")cur.execute("""CREATE TABLE sales (id INTEGER PRIMARY KEY,region TEXT,amount REAL,sale_date TEXT)""")regions = ["华东", "华南", "华北", "西南", "东北"]start_date = datetime(2023, 12, 1)for i in range(90):for region in regions:date = (start_date + timedelta(days=i)).strftime("%Y-%m-%d")amount = round(random.uniform(5000, 50000), 2)cur.execute("INSERT INTO sales (region, amount, sale_date) VALUES (?, ?, ?)",(region, amount, date))conn.commit()conn.close()print("✅ SQLite 数据库初始化完成")if __name__ == "__main__":init_db()
✅ app/config.py
OPENAI_API_KEY = "your-openai-key" # 替换成你自己的，或使用环境变量加载
✅ app/agent_sql.py
from langchain.utilities import SQLDatabase
from langchain.agents import create_sql_agent
from langchain.agents.agent_toolkits import SQLDatabaseToolkit
from langchain.chat_models import ChatOpenAI
from app.config import OPENAI_API_KEYdef get_sql_agent():db = SQLDatabase.from_uri("sqlite:///sales.db")llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0, openai_api_key=OPENAI_API_KEY)toolkit = SQLDatabaseToolkit(db=db, llm=llm)return create_sql_agent(llm=llm, toolkit=toolkit, verbose=True)
✅ app/agent_analysis.py
import pandas as pd
import matplotlib.pyplot as pltdef analyze_sales(df, output_path="frontend/sales_plot.png"):trend = df.groupby("sale_date")["amount"].sum()trend.plot(kind="line", title="每日销售趋势", figsize=(10, 5))plt.tight_layout()plt.savefig(output_path)plt.close()return f"趋势图已生成：{output_path}"
✅ app/mcp_server.py
import sqlite3
import pandas as pd
from app.agent_sql import get_sql_agent
from app.agent_analysis import analyze_salesdef run_mcp_query(query):agent = get_sql_agent()response = agent.run(query)conn = sqlite3.connect("sales.db")df = pd.read_sql_query("SELECT * FROM sales", conn)plot_path = analyze_sales(df)return response, plot_path
✅ frontend/dashboard.py （Streamlit 前端）
import streamlit as st
from app.mcp_server import run_mcp_queryst.set_page_config(page_title="AI 智能销售分析", layout="centered")st.title("📊 AI 销售数据分析平台")
query = st.text_input("请输入分析请求（如：过去30天销售趋势）", "")if st.button("提交分析") and query.strip():with st.spinner("正在分析，请稍候..."):response, img_path = run_mcp_query(query)st.success("分析完成")st.image(img_path, caption="销售趋势图", use_column_width=True)st.markdown("### 🤖 SQL Agent 结果")st.markdown(response)
✅ requirements.txt
langchain>=0.1.0
openai>=1.0.0
pandas
matplotlib
streamlit
sqlite3
✅ Dockerfile
FROM python:3.10-slimWORKDIR /appCOPY . /app
RUN pip install --upgrade pip && \pip install -r requirements.txtEXPOSE 8501CMD ["streamlit", "run", "frontend/dashboard.py", "--server.port=8501", "--server.address=0.0.0.0"]
✅ run.sh
#!/bin/bash
echo "初始化数据库..."
python3 app/db_init.pyecho "启动前端界面..."
streamlit run frontend/dashboard.py
3.启动方式
👉 本地运行：
chmod +x run.sh
./run.sh
浏览器访问：http://localhost:8501
🐳 Docker 容器运行：
docker build -t mcp-ai-agent .
docker run -p 8501:8501 mcp-ai-agent