文档：数据空间与生成式人工智能的互操作性

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

🎯 项目的目的

本毕业设计的主要目标是设计并实现一种功能强大且可扩展的架构，使语言模型（LLM）能够通过 Model Context Protocol (MCP) 与数据空间进行交互。
客户（即语言模型）不应直接访问数据库，而是所有操作都必须通过 MCP 服务器安全、模块化且可扩展地完成。

🧱 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

当前设计从一开始就考虑了未来发展：

• 🔁 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。

此外，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。