SQL MCP服务器

SQL MCP服务器--测试项目

测试项目 数据API生成器（DAB）SQL MCP服务器 带着一个 Azure AI Foundry 代理人。

建筑

Azure AI Foundry Agent (GPT-4o)
        ↓ MCP protocol
SQL MCP Server (DAB v1.7)
        ↓ T-SQL (deterministic)
Azure SQL Database (OrdersDB)

数据库模式

关系

• 类别1:M产品
• 客户1:M订单
• 订单1:M订单项目
• 产品1:M订单项目

先决条件

• .NET 8 SDK
• Azure命令行界面 (az login 已完成）
• Python 3.10+
• 部署GPT-4o的Azure AI Foundry项目

快速开始

1.安装DAB命令行界面

dotnet tool install --global Microsoft.DataApiBuilder --prerelease
dab --version  # should be >= 1.7.x-rc

2.在本地运行DAB

dab start --verbose

这将开始：

• 表征状态转移: http://localhost:5000/api/{entity}
• 图查询语言: http://localhost:5000/graphql
• 主控程序: http://localhost:5000/mcp

3.测试REST端点

curl http://localhost:5000/api/Product

4.配置Python代理

cp .env.template .env
# Edit .env with your Azure AI Foundry project details

5.运行测试代理

pip install -r requirements.txt
python test_agent.py

部署到Azure容器应用程序

自动化脚本在 scripts/ 创建完整的Azure环境。

先决条件

• Azure命令行界面 已登录(az login)
• Python 3.10+ pyodbc 已安装（用于数据库种子设定）
• SQL Server的ODBC驱动程序17

步骤1——创建Azure资源

创建资源组、Azure SQL Server（仅限Azure AD身份验证）、数据库和防火墙规则。

scripts/01-create-azure-resources.sh

步骤2——为数据库添加种子

跑动 sql/setup.sql 创建表并插入示例数据。启用查询存储。

scripts/02-seed-database.sh

步骤3——将DAB部署到容器应用程序

在ACR中构建Docker镜像并部署到Azure容器应用程序。

scripts/03-deploy-container-app.sh

部署后，更新 .env 其中MCP URL由脚本打印。

步骤4——创建AI Foundry项目并部署模型

创建Azure AI Foundry中心、项目并部署GPT-4o。

scripts/04-create-foundry-project.sh

创建后，更新 .env 随着 PROJECT_ENDPOINT 和 MODEL_DEPLOYMENT_NAME 按脚本打印。

步骤5——部署Streamlit查询跟踪器

构建查询跟踪器UI并将其部署到Azure容器应用程序。

scripts/05-deploy-streamlit.sh

部署后，授予对容器的托管标识（脚本打印的T-SQL）的SQL读取权限。

定制

用环境变量覆盖默认值：

RESOURCE_GROUP=my-rg \
LOCATION=westeurope \
SQL_SERVER_NAME=my-sql-server \
  scripts/01-create-azure-resources.sh

拆除

删除所有Azure资源：

scripts/99-teardown.sh

DAB配置

这 dab-config.json 文件控制一切：

• 数据库连接：具有Azure AD身份验证的Azure SQL
• 实体：5个具有语义描述的实体，用于AI代理理解
• 关系：跨实体导航（例如，订单→ 客户）
• 主控程序：启用于 /mcp 所有DML工具都处于活动状态
• 权限: anonymous:* 用于测试（限制生产）

MCP工具可用

SQL MCP Server公开了6个DML工具：

关键设计：NL2DAB（非NL2SQL）

代理人 从不生成原始SQL相反，它调用结构化MCP工具→ DAB的查询生成器在内部生成确定性T-SQL。这消除了人工智能生成SQL的风险。

查询跟踪器UI

基于Streamlit的UI，用于可视化AI代理调用MCP工具时DAB生成的SQL查询。

特性

• 实时SQL跟踪 通过Azure SQL查询存储
• 查询分类 --将每个SQL语句映射回可能的MCP工具(read_records, create_record等等）
• 性能指标 --持续时间、CPU、IO读取、每次查询的行数
• 时间线图 --查询持续时间随时间变化的可视化条形图
• 内置代理启动器 --奔跑 test_agent.py 直接从UI
• 过滤器 --按查询类型（SELECT/INSERT/UPDATE/DELETE）、表、时间窗口

运行跟踪器

streamlit run query_tracer.py

已创建Azure资源

清理

scripts/99-teardown.sh
# or manually:
az group delete --name rg-sql-mcp --yes --no-wait