mcp实战--数据库
MCP 是什么:给 AI 开窗开门的一套连接标准。
MCP,全称 Model Context Protocol,模型上下文协议。它是 Anthropic 推出的开放协议,现在已经成为 AI 应用连接外部工具的事实标准,OpenAI、Cursor、Cloudflare、微软等都在跟进。用一句大白话说:MCP 是 AI 应用和外部工具之间的“USB-C 标准”。
在 MCP 出现之前,每接一个外部系统,开发者都要写一套定制集成。接 GitHub 写一套,接数据库写一套,接 Slack 再写一套。每套的认证方式、数据格式、错误处理都不一样。接得越多,维护成本越重。
MCP 把这件事标准化了:不管背后是数据库、GitHub 还是浏览器,只要它提供一个 MCP 服务器,任何支持 MCP 的 AI 应用都能用同一种方式连接它、发现它提供什么工具、调用它做事。MCP 没有取代 API,它站在 API 之上,把“怎么连、怎么叫、怎么传结果”统一了。
理解这一点很关键:学 MCP,不是学一个新工具,是学一套连接方式。 学会一次,处处可用。这一期我们在 Claude Code 里学会它,
mcp和skill 的区别 本地tools
MCP(Model Context Protocol)是模型与外部工具/数据源之间的通信协议,解决的是"AI 怎么连上外部世界";Skill 是封装好的能力单元,解决的是"AI 拿到工具后怎么更好地完成任务"。一个管连接,一个管能力。
MCP 的核心
- 定义了 AI 应用连接外部工具、数据源的标准化方式
- 本质是 JSON-RPC 2.0 的封装,包含:
- Resources:暴露数据(文件、DB 记录、API 响应)
- Tools:暴露可执行操作(搜索、计算、写文件)
- Prompts:预定义的提示词模板
- 一个 MCP Server 可以暴露多个 Tool,AI 通过协议发现并调用它们
- 典型场景:AI 连 GitHub、连数据库、连文件系统、连第三方 API
Skill 的核心
- 把一类完整任务封装成可复用单元
- 通常包含:
- 描述(什么时候该用这个 Skill)
- 执行逻辑(步骤、条件判断、调用哪些工具)
- 输入输出定义
- 在 Claude Code / Codex 插件体系里,Skill 是用户级别的扩展点
- 典型场景:"代码审查 Skill"、"生成单元测试 Skill"、"部署检查 Skill"
两个的关系:
MCP Server(提供 Tools)
↓ 被调用
Skill(编排多个 Tool + 业务逻辑)
↓ 被触发
Agent / AI(根据用户意图选择 Skill)
Skill 可以调用 MCP 提供的 Tools,也可以调用本地命令、API、其他 Skill。MCP 是"底层接口",Skill 是"上层能力"。
开篇:
一位后端工程师收到报警:线上订单的退款状态不对,有几百单卡在了中间态。产品经理在群里追问原因,客服在等一个口径。他打开数据库客户端,查表结构,查退款记录,查状态流转,再把查到的结果一段段复制给 Claude Code,让它帮忙分析原因、写修复脚本。
查到第三张表,他停住了。因为他发现,自己刚刚复制出去的表结构里,藏着真实的用户手机号。而修复脚本里那句 UPDATE,他还没想好 WHERE 条件怎么写才不会误伤。
这一幕,几乎每个和数据库打过交道的开发者都经历过:问题不在数据库里,而在“人肉搬运”这个环节。表结构靠复制,数据靠截图,修复靠口头描述。信息每转手一次,就丢一点准确性,多一分风险。
核心观点先说清楚:让 Claude Code 操作数据库,重点不是“能不能连上”,而是“连上之后,它能做什么、不能做什么,由谁说了算。” 接通只是第一步,权限、边界和验证流程,才是这期真正的主题。
一、先接通:从 SQLite 练起,别一上来就连生产库
先看一个案例。
一位独立开发者做一个记账小工具,数据存在本地的 SQLite 文件里。以前他改表结构,要先打开数据库工具看现有字段,再手写迁移 SQL,再手动跑一遍验证。改一个字段,折腾半小时。后来他给 Claude Code 接上 SQLite 的 MCP 服务器,流程变成一句话:“看一下 expenses 表,给它加一个 category 字段,默认值为‘其他’。”Claude Code 自己去读表结构,自己写迁移,自己在测试库上跑一遍,确认无误才把脚本交给他。
案例的结论很直接:当 AI 能直接看到真实的表结构,它写出来的 SQL 就不再是“凭感觉猜”,而是“照着现状写”。
动手也很简单。Claude Code 的 MCP 配置放在项目根目录的 .mcp.json 里,以 SQLite 为例:
{
"mcpServers": {
"sqlite": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-sqlite", "--db-path", "./data/app.db"]
}
}
}
保存后重启 Claude Code,在对话里输入 /mcp,能看到 sqlite 服务器和它提供的工具,就说明接通了。接着可以试三句口令:
-
• “这库里有哪些表?”
-
• “把 users 表的结构给我看一下。”
-
• “查一下最近 7 天新增的订单,按天统计数量。”
为什么先用 SQLite 练?三个原因。第一,它是一个文件,没有网络、没有账号密码,出错也只影响本地。第二,它的表结构简单,适合验证“AI 是否真的读懂了你的库”。第三,也是最重要的,先在小库上把流程跑通,你才能在接大库时知道哪里该设防。
新手最容易犯的错,是跳过这一步,直接把生产库的连接串贴进配置。能跑,不代表该跑。先在本地库上练熟,再去碰有真实数据的库,这是顺序问题,不是技术问题。
选服务器时也有讲究。官方维护的数据库服务器覆盖了最常见的几种:SQLite 用 @modelcontextprotocol/server-sqlite,PostgreSQL 用 @modelcontextprotocol/server-postgres,MySQL 也有对应的官方服务器。社区里还有能同时连多种库的聚合型服务器,比如 DBHub,一次配置就能在本地、测试、预发之间切换。选哪个不重要,重要的是先看清它的文档:它默认是不是只读?写操作要不要显式开启?返回结果有没有行数上限?这三个问题答不上来,就别把它连到你的库上。
另外注意一个配置细节:Claude Code 里既可以把 MCP 配置放在项目级的 .mcp.json 里,只对当前项目生效,也可以放在用户级配置里全局生效。数据库连接建议放在项目级——不同项目的库不一样,项目级配置能避免“在 A 项目里查到了 B 项目的库”这种串库事故。

二、读权限先行:只读账号是底线,不是可选项
再看一个反面案例。
一个团队把生产库的读写账号直接配进了 MCP,理由是“方便,万一要改数据呢”。某天有人随口说了一句“把测试数据清理一下”,AI 理解成了清理表里的数据,差点执行了一条没有 WHERE 条件的 DELETE。幸好有人在屏幕前喊停。事后复盘,所有人都说“没想到”,但其实问题在第一天就埋下了:他们给 AI 的权限,远远超过了任务需要的权限。
这个案例的教训只有一个:给 AI 的数据库权限,永远按“最小够用”给。
具体怎么做?三层防线,一层都不能少。
第一层:数据库账号本身只读。 在数据库里单独建一个只读账号,只给它 SELECT 权限,不给 INSERT、UPDATE、DELETE、DROP。PostgreSQL 里可以这样建:
CREATE USER claude_readonly WITH PASSWORD '换成你自己的强密码';
GRANT CONNECT ON DATABASE myapp TO claude_readonly;
GRANT USAGE ON SCHEMA public TO claude_readonly;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO claude_readonly;
注意,这里的密码只是示例,千万别照抄进生产配置。连接串也不要写进会提交到 Git 的配置文件,要走环境变量。
第二层:MCP 服务端只开读工具。 选数据库 MCP 服务器时,优先选默认只读、写操作需要显式开启的那种。有些服务器支持只读模式或只读事务,开启后,即使 AI 传了一条写语句,服务端也会挡下来。不要依赖“AI 会自觉不写”——约束要落在机制上,而不是落在模型的自觉上。
第三层:写操作必须经过人。 真需要改数据时,流程应该是:AI 在测试库上验证过的迁移脚本 → 你检查脚本 → 你在备份之后手动执行或走发布流程。AI 可以起草脚本,但执行按钮,始终应该在你手里。
这三层加起来,才是“让 AI 操作数据库”的完整含义。少了任何一层,你都是在赌模型这一次不会出错。

三、真正的实战:查数据、写迁移、定位线上问题
权限设好了,接下来看三个最常用的实战场景。
场景一:查数据,不再靠复制粘贴。
以前排查问题,你要先查表结构,再写 SQL,再把结果贴给 AI。现在可以直接说:“查一下上周退款失败的订单,按失败原因分组统计,并告诉我最常见的三种原因。”Claude Code 会先读表结构,确认退款状态字段叫什么、失败原因存在哪张表,再写 SQL、查结果、给结论。你省下的不是写 SQL 的时间,而是“把上下文搬运给 AI”的时间。
但这里有个细节:一定要让 AI 先查表结构,再写 SQL。 直接说“写一条查订单的 SQL”,AI 只能靠猜字段名。你加上一句“先看一下 orders 表和 refunds 表的结构”,准确率立刻上一个台阶。这是和数据库打交道时最值钱的一句口令。
场景二:写迁移,照着现状写。
需求来了:给用户表加一个“邮箱已验证”字段,默认 false。传统流程是你先看现有字段、再想类型、再写迁移。现在可以说:“看一下 users 表,给它写一个新增 email_verified 字段的迁移,默认值 false,并检查现有数据会不会受影响。”AI 会先确认 users 表里有没有同名字段、主键是什么、现有数据量多大,再给出迁移脚本。更进一步,你可以让它“先在测试库上跑一遍,确认通过再把脚本给我”。
这里多说一步完整的迁移工作流,因为它是数据库实战里最容易“差一点”的地方。完整流程应该是五步:先读表结构,确认现状;再写迁移脚本,带上回滚语句——能加上去的字段,也要能撤下来;然后在测试库或本地副本上跑一遍,验证通过;接着检查影响面,比如这张表有没有触发器、有没有下游报表依赖这个字段;最后才是你审核脚本、备份之后执行。AI 能帮你跑前四步,但第五步的“执行”按钮,永远在你手里。少了回滚语句的迁移,就像没有刹车的车,能跑,但不敢开快。
场景三:定位线上问题,从“猜”变成“查”。
回到开篇那个退款卡住的案例。接上只读 MCP 之后,排查变成这样:“去查一下退款表,看看卡在中间态的订单有什么共同点。”AI 直接查真实数据,可能会发现:这些订单都来自某个渠道,或者都卡在同一个状态码上。结论来自数据,而不是来自某个人的回忆。
三个场景的共同点是:AI 的价值不在于它会写 SQL,而在于它能直接看到真实的库。 看到真实的表结构,写出的迁移才不会张冠李戴;看到真实的数据,定位问题才不会停留在猜测。

四、避坑清单:四个让数据库操作翻车的习惯
最后,列四个实战中最常见的坑。每一个,都是有人真金白银踩过的。
第一,返回结果不设上限。 让 AI“把所有订单查出来看看”,它可能真的返回几万行,把上下文撑爆,还顺带把敏感数据塞进对话。正确做法是:查询默认加 LIMIT,先看汇总和抽样,再决定要不要深入。看趋势用聚合,看细节用抽样,不要一上来就全量拉取。
第二,把生产库当成第一个练习场。 新接的 MCP 服务器、新写的提示词,都应该先在测试库或本地库上跑。生产库只用来读,只用来查已经验证过的思路。顺序反了,出事只是时间问题。
第三,连接串进 Git。 配置文件里写明文密码,再一不小心 push 到公开仓库,等于把数据库大门钥匙贴在了公告栏上。连接串走环境变量,配置文件只留占位符,.gitignore 里把本地配置排除。这条没有例外。
第四,对 AI 的结论不做二次验证。 AI 说“这批订单的退款都失败了”,你要能追问一句“你查的是哪张表、用的什么条件、结果有多少行”。能说出依据的结论才可信,说不出依据的结论,哪怕听起来再合理,也要先验证再行动。对数据库操作,信任来自可复核的依据,而不是来自流畅的语气。
还有一个容易被忽略的坑:把敏感数据带进对话。 查问题时,AI 返回的结果里可能夹着真实手机号、真实订单号、真实金额。你的对话记录、截图、转发,都可能成为泄露路径。排查时养成习惯:只查必要的字段,能用脱敏后的抽样就不用全量真实数据,能在测试库复现就不要在生产库上翻来翻去。数据库操作的安全,不只防“写错”,也要防“看太多、传太远”。
总结:先设防,再放手
回顾这一期的核心观点:让 Claude Code 操作数据库,关键不在“连上”,而在“设防”。
先在 SQLite 本地库上把流程跑通;再用只读账号、只读服务端、人工执行三层防线把权限锁死;然后让 AI 在查数据、写迁移、定位问题这三个场景里替你干活;最后用避坑清单给每一次操作留一道复核。
今天就可以动手的三件事:第一,在你的项目里建一个 .mcp.json,接上本地 SQLite 库,跑通 /mcp 验证;第二,给你常用的数据库建一个只读账号,把读写账号从 MCP 配置里撤掉;第三,挑一个真实的小需求——比如给某张表加一个字段——让 AI 先读表结构、再写迁移、再在测试库上验证,走完一整遍。
当你能放心地让 AI 查库、又能确保它写不了库的时候,数据库才真正从“只能你碰”变成了“AI 也能帮忙,但规矩由你定”。
更多推荐



所有评论(0)