🚀 FOCUS 数据集 MCP 服务器

模型上下文协议（MCP）服务器能够助力人工智能助手把自然语言转化为 SQL 语句，为数据查询提供了便捷的解决方案。

🚀 快速开始

先决条件

1. 安装要求
   • 操作系统：支持 Linux、Windows
   • 内存要求：>=4GB
   • 磁盘空间：>=10GB
2. 依赖项
   • Java 8+
   • Python 3.7+

安装指南

1. 下载代码库

git clone https://github.com/your-organization/focus-mcp.git
cd focus-mcp

2. 环境配置

创建 config.json 文件，内容如下：

{
  "model_path": "path/to/model",
  "data_source": "path/to/data"
}

3. 启动服务

python server.py

✨ 主要特性

为何需要另一个 Text-to-SQL 框架

简而言之，focus_mcp_sql 采用两步生成 SQL 的解决方案，实现了对 LLM 幻觉的控制，并确保了输出的规范性。与其他框架相比，它在功能和性能上具有明显优势。

以下是与现有框架的对比分析：

功能概述

1. 模型初始化：通过提供数据集元信息（包括表结构、字段属性和表间关联关系），初始化特定领域的语言模型。
2. 自然语言到 SQL 转换：在已初始化的模型基础上，将用户输入的自然语言查询转换为符合规范的 SQL 语句。

📦 MCP 配置

初始化模型（tool: gpt_text2sql_init）

参数说明：

• model_id：唯一标识符，用于区分不同数据集的上下文信息
• schema：数据表结构，包括表名、字段名和字段类型
• properties：字段属性，包括主键、外键等约束信息
• relations：表间关联关系，包括关联类型（内联接、外联接）和关联条件

示例：

{
  "model_id": "your-model-id",
  "schema": {
    "tables": [
      {
        "name": "employees",
        "columns": ["id", "name", "age"]
      },
      {
        "name": "departments",
        "columns": ["did", "dname"]
      }
    ]
  },
  "properties": {
    "id": { "primaryKey": true },
    "did": { "foreignKey": "employees.id" }
  },
  "relations": [
    {
      "type": "inner-join",
      "condition": "employees.did = departments.did"
    }
  ]
}

自然语言转 SQL（tool: gpt_text2sql_chat）

参数说明：

• chat_id：对话唯一标识符
• query：用户输入的自然语言查询
• context：上下文信息，包括已初始化的模型 ID 和关联表信息

示例：

{
  "chat_id": "your-chat-id",
  "query": "显示员工的最大年龄",
  "context": {
    "model_id": "your-model-id",
    "tables": ["employees"]
  }
}

💻 使用示例

VS Code 使用示例

1. 安装 C++ 可视化调试工具
2. 配置 MCP 服务器
3. 使用方法：
   • 初始化模型
   • 执行查询：显示员工的最大年龄

📚 详细文档

响应格式

所有工具的返回结果均采用如下格式：

{
  "errCode": 0,
  "exception": "",
  "msgParams": null,
  "promptMsg": null,
  "success": true,
  "data": {
    // 具体业务数据
  }
}

📄 联系方式

https://discord.gg/AVufPnpaad