Doris MCP-serverintegration

Vad gör “Doris” MCP-servern?

Doris MCP (Model Context Protocol) Server är en backend-tjänst byggd med Python och FastAPI som är utformad för att koppla AI-assistenter och klienter till Apache Doris-databaser. Genom att implementera MCP-standarden möjliggör den säkra och effektiva interaktioner mellan språkmodeller och externa datakällor. Doris MCP-servern gör det möjligt att konvertera frågor i naturligt språk till SQL (NL2SQL), köra databasfrågor, hämta och hantera metadata samt utföra avancerad övervakning och analys. Dess modulära arkitektur inkluderar dedikerade hanterare för verktyg, prompts och resurser, vilket gör den till en robust lösning för att förbättra datautvecklingsflöden, automatisera databasadministration och integrera AI-drivna insikter i företagssystem.

Lista över promptmallar

• Intelligenta promptmallar för dataanalys
  (Dessa hanteras av Prompts Manager och är utformade för att standardisera LLM-interaktioner vid dataanalys. Specifika mallar refereras men listas inte individuellt i den tillgängliga dokumentationen.)

Lista över resurser

• Resurshantering och metadataexponering
  (Exponerar Doris databasmetadata och resurser till AI-klienter via Resources Manager.)
• Stöd för katalogfederering
  (Möjliggör åtkomst till både interna Doris-tabeller och externa källor som Hive och MySQL.)
• Omfattande databasmetadata
  (Ger detaljerad metadataextraktion för användning som LLM-kontext.)
• Artefakter för frågeanalys
  (Exporterar query explain- och profileringsresultat för LLM-bilaga och analys.)

Lista över verktyg

• Förbättrade övervakningsverktyg
  (Avancerad minnesövervakning, metriksamling och upptäckt av backend-noder.)
• Verktyg för frågeinformation
  (Tillhandahåller SQL explain, profilering och analysfunktioner.)
• Tools Manager
  (Central registrerings- och dirigeringstjänst för att orkestrera verktygsanrop via MCP.)
• Resources Manager
  (Hanterar resursexponering och metadatahantering.)
• Prompts Manager
  (Hanterar och tillhandahåller promptmallar för AI- och LLM-arbetsflöden.)

Användningsområden för denna MCP-server

• Naturligt språk till SQL (NL2SQL):
  Gör det möjligt för utvecklare att omvandla frågor på mänskligt språk till SQL-satser för Doris-databaser, vilket förenklar dataåtkomst och analys.
• Avancerad frågeövervakning och profilering:
  Tillhandahåller djupgående SQL explain, prestandaprofilering och analysverktyg för prestandajustering och diagnostik.
• Metadatautforskning och hantering:
  Låter AI-drivna system utforska databasscheman, kataloger och resurser, vilket stödjer uppgifter som dokumentationsgenerering eller automatiserad datamappning.
• Integration av flera datakällor:
  Stödjer katalogfederering, vilket möjliggör sömlös integration med externa datakällor (t.ex. Hive, MySQL) för omfattande analysarbetsflöden.
• Säker datahantering:
  Implementerar robust säkerhet, åtkomstkontroll och datamaskering, vilket garanterar säkra interaktioner mellan LLM:er och känslig företagsdata.

Hur man sätter upp

Windsurf

1. Säkerställ att Python 3.12+ är installerat.

2. Installera paketet:
   pip install mcp-doris-server@latest

3. Redigera Windsurf-konfigurationsfilen för att lägga till Doris MCP-servern.

4. Infoga följande kodavsnitt under mcpServers:

   {
     "doris-mcp": {
       "command": "mcp-doris-server",
       "args": []
     }
   }
   

5. Spara och starta om Windsurf.

6. Kontrollera att servern körs och accepterar anslutningar.

Claude

1. Installera Python 3.12+.

2. Installera Doris MCP-servern:
   pip install mcp-doris-server@latest

3. Lägg till servern i Claudes konfiguration under mcpServers.

4. Använd ett JSON-avsnitt som:

   {
     "doris-mcp": {
       "command": "mcp-doris-server",
       "args": []
     }
   }
   

5. Starta om Claude och kontrollera integration.

Cursor

1. Säkerställ att Python 3.12+ är installerat.

2. Installera servern:
   pip install mcp-doris-server@latest

3. I Cursors konfiguration, lägg till:

   {
     "mcpServers": {
       "doris-mcp": {
         "command": "mcp-doris-server",
         "args": []
       }
     }
   }
   

4. Spara konfigurationen och starta om Cursor.

5. Bekräfta anslutningen till Doris MCP-servern.

Cline

1. Installera Python 3.12+.

2. Installera Doris MCP-servern:
   pip install mcp-doris-server@latest

3. Uppdatera Clines MCP-konfiguration med:

   {
     "mcpServers": {
       "doris-mcp": {
         "command": "mcp-doris-server",
         "args": []
       }
     }
   }
   

4. Spara konfigurationen och starta om Cline.

5. Kontrollera MCP-serverns status.

Säker hantering av API-nycklar

Lagra känsliga uppgifter och API-nycklar som miljövariabler. Exempel med .env:

{
  "env": {
    "DORIS_HOST": "your-doris-host",
    "DORIS_PORT": "your-port",
    "DORIS_USER": "username",
    "DORIS_PASSWORD": "password"
  },
  "inputs": {
    "database": "your-database"
  }
}

Se till att miljövariabler refereras i din konfiguration för ökad säkerhet.

Hur man använder denna MCP i arbetsflöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, infoga dina MCP-serverdetaljer enligt detta JSON-format:

{
  "doris-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

När detta är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och kapabiliteter. Kom ihåg att byta ut “doris-mcp” mot det faktiska namnet på din MCP-server och uppdatera URL:en därefter.

Översikt

Baserat på informationen ovan är Doris MCP-servern väl dokumenterad vad gäller funktioner, resurser och uppsättning. Dock saknas eller listas inte vissa detaljer kring promptmallar och sampling-stöd, vilket något begränsar dess fullständighet för avancerade MCP-arbetsflöden.

Vår bedömning

Givet den starka närvaron av kärnfunktioner för MCP, robust säkerhet och resurshantering samt tydlig installationsvägledning, får Doris MCP-servern 8/10 för stöd av MCP-protokollet och praktisk tillämpning. Bristerna gäller främst explicita promptlistor och avsaknad av sampling-/roots-dokumentation.

MCP-poäng