这意味着：

• 无需开发专用 Agent 插件

• 模型自动发现和调用 StarRocks 暴露的查询/分析工具

• 构建数据问答、智能分析、自动报表等应用变得更简单

• 项目地址：https://github.com/StarRocks/mcp-server-starrocks

首先，我们来了解什么是 MCP。MCP（Model Context Protocol） 是一种用于规范模型与上下文交互的通信协议，旨在标准化模型输入输出的数据结构、元信息传递及上下文管理机制。它通过定义统一的接口协议（如请求/响应格式、状态跟踪、多轮对话标识等），确保模型在复杂应用场景（如多模态交互、长上下文推理）中高效处理上下文依赖关系，同时支持动态上下文更新与历史信息检索。典型应用包括大语言模型（LLM）的对话系统、知识增强推理等。

通俗的来说，MCP 就像 AI 世界的“USB 接口”，它提供了一种通用标准，让各种 AI 模型和智能代理（agents）能够无缝连接、交换信息，就像 USB 让不同品牌的设备（鼠标、键盘、硬盘等）都能即插即用一样。通过 MCP，不同 AI 组件可以像乐高积木一样自由组合，使 AI 变得更加智能、灵活和协作高效。

（MCP 架构示意图）

MCP 的核心是一个简单但强大的客户端-服务器架构，用于将语言模型与现实世界的功能连接起来。

你可以把它想象成一个智能家居中控系统：

MCP Host（宿主） = 智能助手（如小爱同学、Alexa）

MCP Client （客户端）= 控制中枢

MCP Server （服务器）= 各种设备（灯、空调、门锁等）

你对智能助手说“打开空调”，你不需要知道空调的品牌、遥控器协议或者哪个网关。系统会通过统一协议找到正确的设备、下发正确的指令。在 MCP 里，LLM 也是这样发起一个请求，比如“获取销售报表”，Client 就会找到对应的数据源 Server，并返回数据。

这三大组件的作用如下：

• MCP Host：基于 LLM 的应用程序，如 Claude Desktop 或未来集成 AI 的 IDE，用户通过它提出问题或发起操作。

• MCP Client：处理连接逻辑。每个客户端与一个服务器建立连接，负责通信和协调。

• MCP Server：暴露具体能力，如文件访问、天气 API 等。每个服务器通过标准接口提供一组特定的工具、资源或提示。

MCP Server 提供三类核心能力：

1. 工具（Tools）：模型可以调用的可执行函数，如“获取天气预报”或“运行 shell 命令”。模型可自行决定何时使用。

2. 资源（Resources）：如文件、日志或 API 响应等。这些是模型可以读取但不能修改的上下文信息。客户端负责决定何时展示哪些资源。

3. 提示词（Prompts）：预设的模板，引导模型如何互动。例如生成提交信息、进行调试指导。通常由用户选择，而非模型自行决定。

StarRocks MCP Server 充分利用了 MCP 的核心能力，为大语言模型提供了与 StarRocks 数据库进行深度交互的强大工具集和丰富的上下文资源。具体来说，它实现了以下功能：

1. 工具 (Tools)：这些是模型可以按需调用的“技能”，使其能够主动与 StarRocks 交互：

   • db_overview：获取指定数据库中所有表的概览信息。模型可以提供数据库名（若未提供且配置了默认数据库，则使用默认库）。此工具会遍历库中所有表，并为每张表调用 table_overview 的逻辑获取其详情。同样支持缓存和强制刷新。

   • table_overview：快速获取指定表的概览信息。模型只需提供表名（可包含数据库名，如 db_name.table_name；若未指定数据库名且配置了默认数据库，则使用默认库）。此工具会返回表的列定义 (DESCRIBE table)、总行数 (COUNT(*)) 以及少量样本数据 (SELECT * FROM table LIMIT 3)。为了提高效率，该信息会被缓存，并可通过 refresh=true 参数强制刷新。

   • read_query：执行只读的 SQL 查询（如 SELECT 语句），并以 CSV 格式返回结果集，包含列名和数据行。这使得模型可以直接获取和分析数据。

   • write_query：执行数据定义语言 (DDL) 或数据操作语言 (DML) 等写操作，如 CREATE TABLE, INSERT, UPDATE, DELETE，并返回操作结果（如影响行数、执行时间）。

   • query_and_plotly_chart：一个强大的分析工具，它首先执行用户提供的 SQL 查询从 StarRocks 获取数据，然后利用该数据和用户指定的 Plotly Express 表达式（一个 Python 函数调用字符串）动态生成图表。图表最终以 Base64 编码的图片形式返回给模型，极大增强了数据洞察的可视化能力。

2. 资源 (Resources)：这些是模型可以读取的上下文信息，帮助模型理解 StarRocks 的结构和状态：

   • starrocks:///databases：列出 StarRocks 集群中的所有数据库名称。

   • starrocks:///{db}/tables：列出指定数据库 ({db}) 中的所有表名。

   • starrocks:///{db}/{table}/schema：获取指定数据库 ({db}) 中特定表 ({table}) 的创建语句 (SHOW CREATE TABLE {db}.{table} 的结果），详细展示表的结构信息。

   • proc:///{+path}：访问 StarRocks 内部的 /proc 路径（如 /proc/backends, /proc/dbs/{db_id}），获取集群、节点、数据库、表、事务、作业等详细的运行时状态和元数据信息，类似于 Linux 的 /proc 文件系统。这为模型提供了深入了解 StarRocks 内部运作的窗口。

3. 提示词 (Prompts)：目前 StarRocks MCP Server 暂未定义特定的预设提示词。MCP 的设计允许未来根据场景需求灵活添加，以更好地引导模型与 StarRocks 进行特定类型的交互。

通过这些精心设计的工具和资源，StarRocks MCP Server 使大语言模型能够像经验丰富的数据分析师一样，自主地探索数据、执行分析任务，并以多样化的形式（文本、图表）呈现结果，从而将 StarRocks 的强大 OLAP 能力无缝对接到 AI 应用中。

了解了什么是 MCP 之后，来了解一下 StarRocks MCP Server 能应用在哪些场景中：

1. 实时数据分析与 AI 增强决策

• 目标：让 AI 模型（如 LLM）能够实时查询 StarRocks 中的业务数据，并结合历史上下文生成更精准的分析报告或建议。

• 场景：

• • 金融风控：AI 结合 StarRocks 的实时交易数据，动态评估风险并生成预警。

  • 电商推荐：基于用户实时行为（如浏览、加购）和 StarRocks 的 OLAP 分析，优化个性化推荐策略。

2. 自动化数据报表与 BI 增强

• 目标：通过 MCP 协议，让 AI 自动生成 SQL 查询、执行聚合计算，并返回可视化报表，减少人工干预。

• 场景：

• • 广告投放分析：AI 自动查询 StarRocks 的广告曝光、点击数据，生成优化建议。

  • 运营驾驶舱：结合自然语言交互（如“显示最近7天销售额趋势”），自动从 StarRocks 拉取数据并生成 Dashboard。

3. 复杂查询的 AI 优化与加速

• 目标：利用 MCP 管理查询上下文，让 AI 辅助优化 StarRocks 的多表 JOIN、聚合计算等复杂操作。

• 场景：

• • 用户画像分析：AI 自动构建 Roaring Bitmap 查询，计算用户留存、漏斗分析。

  • 跨业务分析：AI 解析业务需求，自动生成高效 StarRocks SQL，避免全表扫描。

4. 统一数据湖与 AI 增强查询

• 目标：通过 MCP 让 AI 同时访问 StarRocks 和外部数据源（如 Hive、Elasticsearch），实现联邦查询。

• 场景：

• • 混合分析：AI 自动组合 StarRocks 的聚合数据和 Hive 的原始日志，生成完整业务洞察。

  • 知识增强：AI 查询 StarRocks 的业务数据 + 外部知识库（如论文、行业报告），生成深度分析。

StarRocks 是首批通过内置 MCP Server 原生集成 MCP 协议的引擎之一。这使得 StarRocks 不再只是一个高性能查询引擎，而是升级为一个专为智能 Agent 交互优化的分析执行环境。

这一切都构建在 StarRocks 现代化的执行引擎之上——向量化、高并发、C++ 编写，自设计之初就面向低延迟和高并发场景。

通过将面向 Agent 的标准协议（MCP）与面向现代工作负载的执行引擎结合，StarRocks 为从探索到生产部署的 Agent 驱动分析工作流提供了直接路径。你无需重新设计架构，就可以立即开始构建智能分析应用。

部署Starrocks集群，假设部署到本地localhost导入quickstart中的crashdata数据https://docs.starrocks.io/docs/quick_start/shared-nothing/#new-york-city-crash-dataCREATE TABLE IF NOT EXISTS crashdata (    CRASH_DATE DATETIME,    BOROUGH STRING,    ZIP_CODE STRING,    LATITUDE INT,    LONGITUDE INT,    LOCATION STRING,    ON_STREET_NAME STRING,    CROSS_STREET_NAME STRING,    OFF_STREET_NAME STRING,    CONTRIBUTING_FACTOR_VEHICLE_1 STRING,    CONTRIBUTING_FACTOR_VEHICLE_2 STRING,    COLLISION_ID INT,    VEHICLE_TYPE_CODE_1 STRING,    VEHICLE_TYPE_CODE_2 STRING);curl --location-trusted -u root             \    -T ./NYPD_Crash_Data.csv                \    -H "label:crashdata-0"                  \    -H "column_separator:,"                 \    -H "skip_header:1"                      \    -H "enclose:\""                         \    -H "max_filter_ratio:1"                 \    -H "columns:tmp_CRASH_DATE, tmp_CRASH_TIME, CRASH_DATE=str_to_date(concat_ws(' ', tmp_CRASH_DATE, tmp_CRASH_TIME), '%m/%d/%Y %H:%i'),BOROUGH,ZIP_CODE,LATITUDE,LONGITUDE,LOCATION,ON_STREET_NAME,CROSS_STREET_NAME,OFF_STREET_NAME,NUMBER_OF_PERSONS_INJURED,NUMBER_OF_PERSONS_KILLED,NUMBER_OF_PEDESTRIANS_INJURED,NUMBER_OF_PEDESTRIANS_KILLED,NUMBER_OF_CYCLIST_INJURED,NUMBER_OF_CYCLIST_KILLED,NUMBER_OF_MOTORIST_INJURED,NUMBER_OF_MOTORIST_KILLED,CONTRIBUTING_FACTOR_VEHICLE_1,CONTRIBUTING_FACTOR_VEHICLE_2,CONTRIBUTING_FACTOR_VEHICLE_3,CONTRIBUTING_FACTOR_VEHICLE_4,CONTRIBUTING_FACTOR_VEHICLE_5,COLLISION_ID,VEHICLE_TYPE_CODE_1,VEHICLE_TYPE_CODE_2,VEHICLE_TYPE_CODE_3,VEHICLE_TYPE_CODE_4,VEHICLE_TYPE_CODE_5" \    -XPUT http://localhost:8030/api/quickstart/crashdata/_stream_load    

2.1 配置客户端添加 mcp-server-starrocks，客户端使用的是 DeepChat

大家可以使用这个优化过的版本：https://github.com/decster/deepchat

2.2 配置成功后在对话选项中可以添加使用 mcpserver

补充说明：在本次 Demo 中，我们使用的是 DeepChat 作为 MCP Client。除此之外，市面上还有如 Claude Desktop、Cline 等主流客户端，用户可根据个人偏好进行配置。需要注意的是，由于我们期望返回结果包含表格和图片，部分客户端可能不支持图片显示，选择时建议将此因素一并考虑。

下面的视频中演示了如何以对话形式对 StarRocks 中的数据集进行可视化分析

最后，我们总结一下 StarRocks MCP server 的核心价值：

• 让 AI 具备实时 OLAP 能力，减少人工 SQL 编写和数据分析成本。

• 增强决策智能，结合历史数据和实时计算，提供更精准的业务建议。

• 统一数据访问层，让 AI 无缝对接结构化数据（StarRocks）与非结构化数据（文档、日志）。

未来，随着 MCP 生态的扩展（如支持更多数据库、BI 工具），这种结合将在 金融、电商、IoT、医疗 等领域发挥更大作用。StarRocks 的朋友们，快来开启更多智能应用！

 我们正在征集基于 StarRocks 的 AI 实践案例，欢迎加入讨论群交流，或私信小助手投稿。 

5 月 21 日也将有精彩直播——从 Deepseek 到 MCP，打造基于 StarRocks 的 AI 应用，记得关注，不见不散！