Mcp toolbox for databases 集成

使用 LangChain Python 集成 Mcp 工具箱数据库工具。

将数据库与LangChain智能体通过MCP Toolbox集成。

概述

MCP Toolbox for Databases 是一个开源的MCP数据库服务器。它专为 enterprise-grade 和生产级设计，通过处理连接池、身份验证等复杂问题，使您能更安全、更高效地开发工具。

MCP Toolbox工具可与LangChain应用无缝集成。更多关于 快速入门 或 配置指南 的信息，请参考 官方文档。

安装

本指南假设您已完成以下操作：

1. 安装 Python 3.9+ 和 pip。
2. 安装 PostgreSQL 16+ 和 psql 命令行客户端。

1. 设置数据库

首先让我们配置PostgreSQL数据库。我们将创建一个新数据库、专用的MCP Toolbox用户，并创建一个包含示例数据的 hotels 表。

使用 psql 命令连接PostgreSQL。根据您的PostgreSQL配置可能需要调整命令（例如指定主机或使用不同超级用户）。

psql -U postgres

现在运行以下SQL命令来创建用户、数据库并授予权限：

CREATE USER toolbox_user WITH PASSWORD 'my-password';
CREATE DATABASE toolbox_db;
GRANT ALL PRIVILEGES ON DATABASE toolbox_db TO toolbox_user;
ALTER DATABASE toolbox_db OWNER TO toolbox_user;

使用新用户连接到刚创建的数据库：

\c toolbox_db toolbox_user

最后创建 hotels 表并插入数据：

CREATE TABLE hotels(
  id            INTEGER NOT NULL PRIMARY KEY,
  name          VARCHAR NOT NULL,
  location      VARCHAR NOT NULL,
  price_tier    VARCHAR NOT NULL,
  booked        BIT     NOT NULL
);

INSERT INTO hotels(id, name, location, price_tier, booked)
VALUES
  (1, 'Hilton Basel', 'Basel', 'Luxury', B'0'),
  (2, 'Marriott Zurich', 'Zurich', 'Upscale', B'0'),
  (3, 'Hyatt Regency Basel', 'Basel', 'Upper Upscale', B'0');

退出 psql 时输入 \q。

2. 安装MCP toolbox

接下来安装MCP Toolbox，在 tools.yaml 配置文件中定义工具，并启动MCP Toolbox服务器。

对于 macOS 用户，最便捷的安装方式是通过 Homebrew：

brew install mcp-toolbox

其他平台请 下载适用于您操作系统和架构的最新MCP Toolbox二进制文件。

创建 tools.yaml 文件。该文件定义了MCP Toolbox可连接的数据源以及向智能体暴露的工具。生产环境中请始终使用环境变量存储敏感信息。

sources:
  my-pg-source:
    kind: postgres
    host: 127.0.0.1
    port: 5432
    database: toolbox_db
    user: toolbox_user
    password: my-password

tools:
  search-hotels-by-location:
    kind: postgres-sql
    source: my-pg-source
    description: Search for hotels based on location.
    parameters:
      - name: location
        type: string
        description: The location of the hotel.
    statement: SELECT id, name, location, price_tier FROM hotels WHERE location ILIKE '%' || $1 || '%';
  book-hotel:
    kind: postgres-sql
    source: my-pg-source
    description: >-
        Book a hotel by its ID. If the hotel is successfully booked, returns a confirmation message.
    parameters:
      - name: hotel_id
        type: integer
        description: The ID of the hotel to book.
    statement: UPDATE hotels SET booked = B'1' WHERE id = $1;

toolsets:
  hotel_toolset:
    - search-hotels-by-location
    - book-hotel

在另一个终端窗口启动MCP Toolbox服务器。若通过Homebrew安装，直接运行 toolbox 即可。若手动下载二进制文件，需在保存文件的目录下运行 ./toolbox：

toolbox --tools-file "tools.yaml"

MCP Toolbox默认在 http://127.0.0.1:5000 启动，并支持 tools.yaml 文件的实时热重载。

初始化

!pip install toolbox-langchain

from toolbox_langchain import ToolboxClient

with ToolboxClient("http://127.0.0.1:5000") as client:
    search_tool = await client.aload_tool("search-hotels-by-location")

调用

from toolbox_langchain import ToolboxClient

with ToolboxClient("http://127.0.0.1:5000") as client:
    search_tool = await client.aload_tool("search-hotels-by-location")
    results = search_tool.invoke({"location": "Basel"})
    print(results)

[{"id":1,"location":"Basel","name":"Hilton Basel","price_tier":"Luxury"},{"id":3,"location":"Basel","name":"Hyatt Regency Basel","price_tier":"Upper Upscale"}]

在智能体中使用

现在进入关键环节！我们将安装所需LangChain包，并创建一个能使用MCP Toolbox定义的工具的智能体。

pip install -qU toolbox-langchain langgraph langchain-google-vertexai

安装完成后，使用 ChatVertexAI 作为模型，通过 ToolboxClient 加载工具。来自 langchain.agents 的 @[create_agent] 创建了一个能智能决策调用工具的健壮智能体。

注意：在执行下方代码前请确保MCP Toolbox服务器已在单独终端运行。

from langchain.agents import create_agent
from langchain_google_vertexai import ChatVertexAI
from langgraph.checkpoint.memory import MemorySaver
from toolbox_langchain import ToolboxClient


prompt = """
You're a helpful hotel assistant. You handle hotel searching and booking.
When the user searches for a hotel, list the full details for each hotel found: id, name, location, and price tier.
Always use the hotel ID for booking operations.
For any bookings, provide a clear confirmation message.
Don't ask for clarification or confirmation from the user; perform the requested action directly.
"""


async def run_queries(agent_executor):
    config = {"configurable": {"thread_id": "hotel-thread-1"}}

    # --- Query 1: Search for hotels ---
    query1 = "I need to find a hotel in Basel."
    print(f'\n--- USER: "{query1}" ---')
    inputs1 = {"messages": [("user", prompt + query1)]}
    async for event in agent_executor.astream_events(
        inputs1, config=config, version="v2"
    ):
        if event["event"] == "on_chat_model_end" and event["data"]["output"].content:
            print(f"--- AGENT: ---\n{event['data']['output'].content}")

    # --- Query 2: Book a hotel ---
    query2 = "Great, please book the Hyatt Regency Basel for me."
    print(f'\n--- USER: "{query2}" ---')
    inputs2 = {"messages": [("user", query2)]}
    async for event in agent_executor.astream_events(
        inputs2, config=config, version="v2"
    ):
        if event["event"] == "on_chat_model_end" and event["data"]["output"].content:
            print(f"--- AGENT: ---\n{event['data']['output'].content}")

运行智能体

async def main():
    await run_hotel_agent()


async def run_hotel_agent():
    model = ChatVertexAI(model_name="gemini-2.5-flash")

    # Load the tools from the running MCP Toolbox server
    async with ToolboxClient("http://127.0.0.1:5000") as client:
        tools = await client.aload_toolset("hotel_toolset")

        agent = create_agent(model, tools, checkpointer=MemorySaver())

        await run_queries(agent)


await main()

您已成功通过MCP Toolbox将LangChain智能体连接到本地数据库！🎉

---

API参考

核心集成类为 ToolboxClient。

更多详情请查阅以下资源：

• MCP官方文档
• MCP GitHub仓库
• MCP LangChain SDK

MCP Toolbox提供多项特性确保数据库生成式AI工具开发流畅：

• 认证参数：自动将工具输入绑定到OIDC令牌，安全执行敏感查询且避免数据泄露
• 授权调用：基于用户认证令牌限制工具访问权限
• OpenTelemetry：通过 OpenTelemetry 获取MCP Toolbox的指标和追踪信息

社区与支持

欢迎加入社区：

• ⭐️ 访问 GitHub仓库 获取最新动态并跟踪更新
• 📚 深入阅读 官方文档 学习高级功能与配置
• 💬 加入 Discord服务器 与社区互动并解决问题

---

官方原文：src/oss/python/integrations/tools/mcp_toolbox.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。