🚀 数据空间与生成式人工智能的互操作性

本项目旨在设计并实现一种强大且可扩展的架构，让语言模型（LLM）能通过 Model Context Protocol (MCP) 与数据空间交互，避免语言模型直接访问数据库，确保所有操作安全、模块化且可扩展。

🚀 快速开始

本项目聚焦于实现数据空间与生成式人工智能的互操作性，核心在于构建一个让语言模型（LLM）与数据空间通过 Model Context Protocol (MCP) 交互的架构。语言模型不直接访问数据库，所有操作经 MCP 服务器完成。

✨ 主要特性

• 功能分离：严格分离语义处理（LLM）和数据访问（MCP）。
• 符合协议：LLMs 只能通过工具 (“tools”) 访问数据，符合 MCP 设计。
• 上下文提示：使用丰富的上下文提示，包含从 MCP 获取的先前信息。
• 架构优势：架构具备模块化、可扩展和可通过日志进行跟踪的特点。

📦 安装指南

文档未提及安装步骤，暂无法提供。

💻 使用示例

文档未提供代码示例，暂无法提供。

📚 详细文档

📅 基本信息

• 日期：2025年4月11日
• 作者：何塞·阿尔onso·鲁伊斯
• 导师：若奥琴尼诺·萨尔瓦丘阿
• 标题：设计并实现数据空间与生成式人工智能之间的互操作性

🧱 当前架构

主要组件

• 🧠 客户端 LLM (cliente_llm.py)
  • 执行自然语言问题。
  • 使用 TinyLlama-1.1B-Chat-v1.0 模型。
  • 将问题转换为 SQL 查询。
  • 通过 MCP 服务器查询数据。
  • 解释返回结果并构建解释性答案。
  • 记录整个过程在日志文件中：logs/cliente_llm.log。
• 🔗 MCP 服务器 (main.py)
  • 使用 FastAPI 开发。
  • 连接到本地数据空间，基于 DuckDB。
  • 通过 REST 端点公开 MCP 工具：
    • /tool/consulta：执行 SQL 查询。
    • /tool/info/productos：返回不同产品的列表。
    • /tool/info/fechas：返回注册的最小和最大日期范围。
• 📂 数据空间
  • 在本地使用 DuckDB (lake.duckdb) 实现。
  • 包含 iceberg_space.ventas 表，具有以下列：
    • fecha (DATE)
    • producto (TEXT)
    • cantidad (INTEGER)
    • precio (DOUBLE)
  • 数据从 load_data.py 加载。

🔒 基本原则和关键决策

• 严格分离语义处理（LLM）和数据访问（MCP）。
• 符合 MCP 设计：LLMs 只能通过工具 (“tools”) 访问数据。
• 使用丰富的上下文提示，包含从 MCP 获取的先前信息。
• 模块化、可扩展和可通过日志进行跟踪的架构。

📈 未来扩展性

• 将来用 Apache Iceberg 或 Trino/Presto 替换 DuckDB。
• 将来用更高级的 LLM 或 GPU 部署的模型替换 TinyLlama。
• 发展为更先进的 RAG（检索增强生成）架构，其中：
  • LLM 先通过基于从 MCP 生成的嵌入的向量存储进行内容检索。
  • 恢复的内容作为上下文传递给模型以获得更准确的答案。
• 还可以集成新的 MCP 工具，例如：
  • /tool/info/esquema
  • /tool/info/documentacion
  • /tool/descargar
  • /tool/upload-pdf

📜 结论

已经建立了一个坚实、功能强大且符合要求的基础。该系统已实现语言模型与数据空间之间的完整交互，符合 MCP 原理，并为未来向更高级的 RAG 架构发展铺平了道路。

🔧 技术细节

文档未提供详细的技术实现细节，暂无法提供。

📄 许可证

文档未提及许可证信息，暂无法提供。