1. 背景

1.1 MCP

模型上下文协议（Model Context Protocol，简称MCP）是一个由Anthropic在2024年11月25日开源的新标准。MCP为AI模型连接不同数据源和工具提供了标准化方式，MCP通过统一的数据交互规范，让LLM能够像“即插即用”一样快速对接表格、数据库、API、外部工具等多样化资源。

1.2 云原生数据库PolarDB

PolarDB是阿里巴巴自研的新一代云原生数据库，在计算存储分离架构下，利用软硬件结合的优势，为用户提供具备极致弹性、高性能、海量存储、安全可靠的数据库服务。PolarDB MySQL版100%兼容原生MySQL的多个版本，包括MySQL 5.6、MySQL 5.7和MySQL 8.0。

PolarDB MySQL版推出的列存索引（In-Memory Column Index，简称IMCI）面向OLAP场景大数据量复杂查询。通过列存索引，PolarDB MySQL版实现了一体化的实时事务处理和实时数据分析的能力，成为一站式HTAP数据库产品解决方案。通过一套数据库系统，即可满足业务的OLTP及OLAP需求。PolarDB MySQL的AI节点内置各种AI大模型和机器学习组件，无需手动将PolarDB中的数据同步至其他AI平台，便可直接通过SQL语句调用内置的AI大模型来完成复杂的分析任务。

2. PolarDB MySQL MCP

2.1 环境准备

VScode IDE+Cline插件

下载VSCode，并安装Cline插件，在百炼中申请千问API；

Cline中配置LLM(qwen-max-latest)。

2.2 PolarDB MySQL MCP Server安装

具体安装参考：🔗 链接

Cline安装好MCP Server的效果：

MCP Server提供的功能

• tools

• execute_sql：执行符合PolarDB MySQL语法的SQL语句
• polar4ai_update_index_for_text_2_sql：利用PolarDB的AI节点，对当前库的表建索引，用于文本转SQL或者文本转chart；
• polar4ai_text_2_sql：利用PolarDB的AI节点，将用户的文本转换成SQL语句；
• polar4ai_text_2_chart：利用PolarDB的AI节点，将用户的文本统计需求直接转换成图表；
• polar4ai_create_models：使用polar4ai语法，创建各种自定义算法模型；
• polar4ai_import_doc：利用PolarDB的AI节点，将用户本地目录的文档导入到PolarDB中形成知识库；
• polar4ai_search_doc：利用PolarDB的AI节点，从PolarDB中的知识库中搜索用户问题并返回答案。

• resources

• polardb-mysql://tables：列出当前数据库所有表信息；
• polardb-mysql://models：列出当前已经创建的模型算法；
• polardb-mysql://{table}/field：列出具体表的字段信息；
• polardb-mysql://{table}/data：列出具体表的数据（默认读取50行）。

3. RAG

3.1 大模型幻觉

如下图所示，直接向LLM咨询：“介绍下PolarDB代理的全局一致性”，回答的结果完全是自己瞎编造的，将各种DB的通用特性瞎编在一起，对于不太熟悉PolarDB代理的同学，有明显的误导作用。

3.2 RAG是什么

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索技术与大语言模型（LLM）生成能力的技术框架，其核心思想是通过从外部知识库中检索相关信息，并将这些信息作为提示（Prompt）输入给LLM，从而提升模型回答的准确性、可控性和时效性，对于解决上述大模型幻觉有明显效果。

▶︎ 为何选择RAG而非直接微调

解决模型幻觉问题：RAG通过引入外部知识库的实时检索结果，为LLM提供事实依据，减少模型因知识缺失或过时而产生的“一本正经胡说八道”现象而微调仅能固化训练数据中的知识，无法动态更新，对幻觉问题的缓解有限。

实时性与时效性：RAG的知识库可动态更新（例如接入最新财报、政策文件），使LLM能应对时效性问题（如回答“2025年春运数据”）。相比之下，微调需要重新训练模型才能更新知识，成本高且耗时。

数据安全与隐私保护：企业可通过RAG将私有数据存储在本地知识库中，仅通过检索传递必要信息给LLM，避免将敏感数据上传至第三方模型进行微调，从而降低数据泄露风险。

成本与灵活性：微调需要大量计算资源和标注数据，且模型参数固定后难以适应新领域。RAG无需修改模型参数，仅需更新知识库即可快速适配新场景（如切换医疗、金融领域），显著降低维护成本。

可解释性与可控性：RAG的检索结果可作为生成答案的参考来源，增强输出的可追溯性；而微调后的模型决策过程难以透明化。

▶︎ RAG的核心流程

索引构建：将知识库中的文本分块（Chunking），通过嵌入模型（Embeddings）将文本转化为向量并存入向量数据库；

检索：用户提问时，将查询内容向量化后，在向量数据库中检索最相关的Top-K结果；

生成：将检索到的上下文与用户问题组合成Prompt，输入LLM生成最终答案。

▶︎ 本文的MCP Server在RAG流程中能扮演的角色

知识库建立：MCP Server提供了有如下能力的接口(Tool)：读取本地文件、然后进行文本分块和向量化，最后存储到向量数据库中；

知识检索：MCP Server提供了向量数据库的检索接口(Tool)，以便LLM回答问题前，先检索到相关的知识作为上下文Prompt，避免大模型幻觉产生。

4. 知识问答系统搭建和效果演示

4.1 演示

本演示讲述的通过PolarDB MySQL MCP Server来实现实时分析能力知识问答系统（RAG应用），通过在vscode的cline插件（其他客户端cursor等类似）描述一句话，即可以将本地的一个目录下所有的知识文件导入到PolarDB中，然后就可以进行知识问答，具体如下：

▶︎ 知识库建立

问题：将目录/Users/XXXXX/code/mcp/test/proxy中的文件导入到PolarDB中，形成知识库；

结果：成功将文件导入到知识库中，并告知导入了13个文件和163个条目。

▶︎ 知识问答

有MCP Server和知识库时（知识库的内容为PolarDB的代理介绍）

• 问题：介绍下PolarDB代理的全局一致性原理
• 结果：把PolarDB的全局一致性功能都给列出来了，相比于直接让模型回答，明显解决了大模型幻觉的问题。

4.2 问答系统原理说明

▶︎ 组件说明

PolarDB MySQL实例

• AI节点：PolarDB for AI是PolarDB MySQL版的分布式机器学习组件，内置多种AI大模型。您无需手动将PolarDB中的数据同步至其他AI平台，便可直接通过SQL语句调用内置的AI大模型来完成复杂的分析任务。此外，PolarDB for AI还支持通过SQL语句来构建自定义模型和加载外部模型，本文主要使用了AI节点的文本向量化能力；
• IMCI节点：PolarDB MySQL的列存节点，本文主要使用了列存节点的向量存储和检索召回功能。

PolarDB MCP Server 提供了下面两个tools

• import_doc：读取本地目录的所有文件，然后进行文本切片分割，并通过PolarDB AI节点进行向量化，最后存储到PolarDB的IMCI节点中的向量数据库中；
• search_doc：将需要搜索文本向量化，最后通过IMCI节点的向量数据库查询匹配到合适的条目。

▶︎ 具体的流程

知识库建立

检索召回

5. 总结

从上述案例可见，无论是PolarDB MySQL兼容MySQL语法的SQL执行功能，还是其特有的OLAP分析与AI能力，通过MCP协议向LLM开放接口后，显著降低了用户使用门槛，更为未来基于DB-Agent的智能体开发奠定了技术基础。

6. 附：PolarDB MCP获取/部署

Github仓库🔗链接

阿里云百炼

• PolarDB for MySQL  🔗链接
  
• PolarDB for PostgreSQL 🔗链接

作者：峯华