技能介绍

解决的问题

AI 客户端直接操作数据库时，连接参数、SQL 方言、Schema 信息、分页导出和执行计划常分散在不同脚本中，模型也难以判断表结构、索引和外键约束。数据库助手 MCP 服务器 将这些数据库操作收敛为一组 MCP 工具，适合让 AI 客户端按结构化接口访问 SQLite 或 PostgreSQL。

工作方式

服务围绕“连接—查询—理解—分析—构建”的主链路暴露能力：

连接管理：connect_sqlite、connect_postgres、list_databases、get_connection_status，通过全局 ConnectionManager 维护会话状态。
查询执行：execute_query 返回 Markdown 表格；execute_update 执行写操作；query_with_pagination 处理分页；export_query_result 输出 CSV/JSON/Markdown；explain_query 分析执行计划。
Schema 探索：list_tables、describe_table、list_indexes、get_table_ddl、get_foreign_keys 帮助理解列、约束、索引、DDL 和级联行为。
数据分析：table_stats、column_stats、table_sample、null_analysis、value_distribution、data_quality_report 基于 pandas 输出统计、分布和质量评分。
SQL 构建：build_select、build_insert、build_update、build_create_table、build_join 以参数化方式组织 SELECT、INSERT、UPDATE、建表和 JOIN 语句。

边界与注意

PostgreSQL 依赖 psycopg2；标识符校验、SELECT/UPDATE 分离执行和参数化构建能减少误用，但不能替代数据库最小权限账号、审计日志和备份策略。示例数据偏向员工与工资场景，生产接入前仍需确认目标库权限、只读副本、敏感字段脱敏、事务边界和导出格式是否符合下游要求。

截图预览

使用场景

在排查订单 SQLite 库时，用 describe_table、list_indexes 与 get_foreign_keys 梳理表结构、索引和外键。
接到客服反馈工资异常时，执行 column_stats 与 value_distribution 查看薪资列分布和极值。
查询员工工资明细给财务周报时，用 execute_query、query_with_pagination 和 export_query_result 分页导出 CSV。
上线前检查 PostgreSQL 数据质量，运行 data_quality_report 和 null_analysis 输出缺失与唯一性建议。