手把手教你搭建 MCP 服务器:让 AI 助手连接你的数据库只需 10 分钟

2026 年，AI Agent 已经不是新鲜事。但让 AI 真正干活的秘密武器，是一个叫 MCP 的协议。今天带你从 0 搭一个，附完整代码和踩坑记录。

为什么突然所有人都在聊 MCP？

如果你还在用"复制提示词 → 粘贴到 ChatGPT → 手动整理结果"的方式用 AI，那你已经在 2026 年落伍了。

现在最火的玩法是：让 AI 直接连上你的数据库、文件系统、API，自己查数据、自己分析、自己出报告。 而这一切的核心桥梁，就是 MCP（Model Context Protocol）。

MCP 是 Anthropic 在 2024 年底开源的协议，2026 年已经成了 AI Agent 生态的事实标准。Claude、GPT、Cursor、各类 Agent 框架都支持它。简单说：有了 MCP，AI 就能"伸手"去操作外部工具。

举个例子：

• 连接 MySQL → AI 自动写 SQL 查数据、生成报表
• 连接 GitHub → AI 自动看 PR、写 Code Review
• 连接企业内部 API → AI 自动拉数据、跑流程

今天这篇，我带你从 0 搭一个 MCP 服务器，连上本地 SQLite 数据库，让 AI 能查询你的数据。全程实操，代码可复现。

准备工作

环境要求

• **Python 3.10+**（推荐 3.12）
• pip
   包管理器
• 一个支持 MCP 的客户端
  （Claude Desktop、Cursor、或任意 MCP 兼容 Agent）
• SQLite
  （Mac/Linux 自带，Windows 需单独安装）

安装 MCP SDK

打开终端，执行：

pip install mcp

就这一个包，官方 SDK，不到 2MB。

第一步：创建项目结构

mkdir mcp-sqlite-democd mcp-sqlite-demotouch server.py

目录很简单，就一个 server.py 文件。MCP 不需要复杂的项目结构。

第二步：初始化测试数据库

先造一个本地 SQLite 数据库，放一些测试数据，方便后面验证。

# init_db.py - 初始化数据库import sqlite3conn = sqlite3.connect("test.db")cursor = conn.cursor()# 建表cursor.execute("""CREATE TABLE IF NOT EXISTS sales (    id INTEGER PRIMARY KEY AUTOINCREMENT,    product TEXT NOT NULL,    amount REAL NOT NULL,    sale_date TEXT NOT NULL)""")# 插入测试数据test_data = [    ("iPhone 15", 5999.00, "2026-08-01"),    ("MacBook Pro", 14999.00, "2026-08-02"),    ("AirPods Pro", 1899.00, "2026-08-02"),    ("iPad Air", 4399.00, "2026-08-03"),    ("iPhone 15", 5999.00, "2026-08-03"),]cursor.executemany(    "INSERT INTO sales (product, amount, sale_date) VALUES (?, ?, ?)",    test_data)conn.commit()conn.close()print("数据库初始化完成，插入了 5 条测试数据。")

运行：

python init_db.py

第三步：编写 MCP 服务器（核心步骤）

这是全文最重要的部分。把以下代码完整复制到 server.py：

# server.py - MCP 服务器：连接 SQLite，暴露查询能力给 AIfrom mcp.server import Serverfrom mcp.server.stdio import stdio_serverfrom mcp.types import Tool, TextContentimport sqlite3import json# 创建 MCP 服务器实例app = Server("sqlite-assistant")# 数据库路径（改成你自己的路径）DB_PATH = "test.db"@app.list_tools()async def list_tools() -> list[Tool]:    """告诉 AI 客户端：我提供了哪些工具"""    return [        Tool(            name="query_sales",            description="查询销售数据。可以按产品名筛选，也可以查全部。",            inputSchema={                "type": "object",                "properties": {                    "product": {                        "type": "string",                        "description": "要查询的产品名称，如 'iPhone 15'。留空则查全部。"                    }                },                "required": []            }        ),        Tool(            name="get_sales_summary",            description="获取销售汇总统计：总销售额、各产品销量、最近日期。",            inputSchema={                "type": "object",                "properties": {},                "required": []            }        )    ]@app.call_tool()async def call_tool(name: str, arguments: dict) -> list[TextContent]:    """处理 AI 发来的工具调用请求"""    conn = sqlite3.connect(DB_PATH)    cursor = conn.cursor()    if name == "query_sales":        product = arguments.get("product", "")        if product:            cursor.execute(                "SELECT * FROM sales WHERE product LIKE ? ORDER BY sale_date DESC",                (f"%{product}%",)            )        else:            cursor.execute("SELECT * FROM sales ORDER BY sale_date DESC")        rows = cursor.fetchall()        columns = [desc[0] for desc in cursor.description]        # 格式化为 AI 易读的结构        results = [dict(zip(columns, row)) for row in rows]        conn.close()        return [TextContent(            type="text",            text=json.dumps(results, ensure_ascii=False, indent=2)        )]    elif name == "get_sales_summary":        # 总销售额        cursor.execute("SELECT SUM(amount) FROM sales")        total = cursor.fetchone()[0] or 0        # 各产品销量        cursor.execute("""            SELECT product, COUNT(*) as count, SUM(amount) as total            FROM sales GROUP BY product ORDER BY total DESC        """)        by_product = cursor.fetchall()        # 最近日期        cursor.execute("SELECT MAX(sale_date) FROM sales")        latest = cursor.fetchone()[0]        conn.close()        summary = {            "total_amount": total,            "by_product": [                {"product": r[0], "count": r[1], "total": r[2]}                for r in by_product            ],            "latest_date": latest        }        return [TextContent(            type="text",            text=json.dumps(summary, ensure_ascii=False, indent=2)        )]    else:        conn.close()        return [TextContent(type="text", text=f"未知工具：{name}")]async def main():    async with stdio_server() as (read_stream, write_stream):        await app.run(read_stream, write_stream)if __name__ == "__main__":    import asyncio    asyncio.run(main())

代码解读：

• @app.list_tools()
  ：注册了两个工具——query_sales（按产品查销售）和 get_sales_summary（自动汇总统计）
• @app.call_tool()
  ：处理 AI 发来的调用请求，连 SQLite 执行 SQL，返回 JSON
• stdio_server
  ：通过标准输入输出和 AI 客户端通信，不需要起 HTTP 服务

第四步：配置 AI 客户端连接 MCP 服务器

方式一：Claude Desktop（推荐新手）

找到 Claude Desktop 的配置文件：

• Mac
  ：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows
  ：%APPDATA%\Claude\claude_desktop_config.json

添加以下配置：

{  "mcpServers": {    "sqlite-assistant": {      "command": "python3",      "args": ["/绝对路径/mcp-sqlite-demo/server.py"],      "cwd": "/绝对路径/mcp-sqlite-demo/"    }  }}

⚠️ 踩坑提醒：args 里的路径必须是绝对路径，相对路径会报错。cwd 也要设对，否则找不到 test.db。

重启 Claude Desktop，你会看到左下角多了一个 🔌 图标，说明 MCP 服务器已连接。

方式二：Cursor

在 Cursor 设置 → MCP 中，点击 "Add MCP Server"，填入：

• Type
  : Command
• Command
  : python3 /绝对路径/mcp-sqlite-demo/server.py

第五步：测试效果

打开 Claude Desktop，输入：

帮我查一下所有销售数据，按日期倒序排列。

AI 会自动调用 query_sales 工具，返回类似这样的结果：

[  {"id": 5, "product": "iPhone 15", "amount": 5999.00, "sale_date": "2026-08-03"},  {"id": 4, "product": "iPad Air", "amount": 4399.00, "sale_date": "2026-08-03"},  {"id": 3, "product": "AirPods Pro", "amount": 1899.00, "sale_date": "2026-08-02"},  {"id": 2, "product": "MacBook Pro", "amount": 14999.00, "sale_date": "2026-08-02"},  {"id": 1, "product": "iPhone 15", "amount": 5999.00, "sale_date": "2026-08-01"}]

再试试：

给我一份销售汇总报告，包含总销售额和各产品排名。

AI 会自动调用 get_sales_summary，生成结构化的汇总数据。

关键点：你不需要告诉 AI 用哪个工具、写什么 SQL。你只说人话，MCP 协议负责让 AI "看见"可用工具，自己决定调用哪个、传什么参数。

真实踩坑记录

搭建过程中我遇到了几个坑，分享给大家：

坑 1：路径问题导致服务器启动失败

报错：FileNotFoundError: test.db not found

原因：MCP 服务器的工作目录默认是 /，不是你的项目目录。

解决：在配置里加上 "cwd": "/绝对路径/mcp-sqlite-demo/"，或者在代码里用绝对路径连接数据库。

坑 2：中文乱码

报错：返回的 JSON 里中文变成 \uXXXX

解决：json.dumps() 加上 ensure_ascii=False 参数（代码里已加）。

坑 3：工具被 AI "看见"但没被调用

现象：AI 不调用工具，直接瞎编答案。

原因：工具的 description 写得不够清楚，AI 不知道什么时候该用它。

解决：把 description 写得越具体越好。比如 "查询销售数据。可以按产品名筛选" 比 "查询数据库" 好得多。AI 是根据 description 决定是否调用工具的。

坑 4：SQLite 被锁

报错：database is locked

原因：MCP 服务器进程和你的手动查询同时操作一个 SQLite 文件。

解决：加 timeout 参数：sqlite3.connect(DB_PATH, timeout=10)，或者用 WAL 模式：cursor.execute("PRAGMA journal_mode=WAL")。

进阶：接入 MySQL / 企业内部 API

把 SQLite 换成 MySQL 只需要改连接方式：

# pip install mysql-connector-pythonimport mysql.connectorconn = mysql.connector.connect(    host="your-mysql-host",    port=3306,    user="your-user",    password="your-password",    database="your-db")

其他代码不用动。这就是 MCP 的魅力——协议是统一的，后端接什么都行。

接入企业内部 API 同理，把 SQL 查询替换成 requests.get("https://your-api/endpoint") 就行。

总结：MCP 的价值在哪？

MCP 的本质是给 AI 装上了"手"。以前 AI 只能说，现在 AI 能做。2026 年下半年，不会用 MCP 就像 2023 年不会写提示词一样。

下一步建议：

1. 先用本教程的 SQLite 版本跑通
2. 替换成你真实的数据源（MySQL、内部 API）
3. 配合 Claude Desktop 或 Cursor，让 AI 自动查数据、写报告
4. 逐步添加更多工具（增删改查），打造你的 AI 工具箱

本文代码已开源，欢迎复现。如果觉得有用，转发给你身边还在手动复制粘贴 AI 回复的朋友 😄