NLP（一百一十八）SQLite+Agent+Docker：一站式打造智能数据库助手

本文将会介绍如何使用Docker来启动MCP Server，并结合大模型和Agent实现Sqlite数据库的本地操作。

前言

在笔者之前的文章NLP(一百一十五)MCP入门与实践中，笔者介绍了MCP入门使用与项目实战。对于MCP Server，常见的启动方式有两种：NPX和Docker，笔者之前已经介绍过NPX，因此本文将会介绍如何使用Docker来启动MCP Server。

我们以SQLite MCP Server为例（其网址为：https://github.com/modelcontextprotocol/servers/tree/main/src/sqlite），来演示如何使用Docker来启动MCP Server，操作步骤如下：

电脑系统中需要安装Docker
拉取上述项目代码，创建本地Docker镜像:

1	`docker build -t mcp/sqlite .`

使用Docker启动MCP Server:

"mcpServers": {
  "sqlite": {
    "command": "docker",
    "args": [
      "run",
      "--rm",
      "-i",
      "-v",
      "mcp-test:/mcp",
      "mcp/sqlite",
      "--db-path",
      "/mcp/test.db"
    ]
  }
}

上述启动命令为官网示例，具体启动参数需要根据自身情况进行调整。

Cursor中使用SQLite MCP Server

Cursor IDE 支持MCP配置，对于上述的SQLite MCP Server，配置如下：

{
"mcpServers": {
  "sqlite": {
    "command": "docker",
    "args": [
      "run",
      "--rm",
      "-i",
      "-v",
      "~/mcp-test:/mcp",
      "mcp/sqlite",
      "--db-path",
      "/mcp/test.db"
    ]
  }
}
}

在Cursor MCP Servers中等待服务加载，绿色表示服务加载成功。在Cursor右侧Chat页面选择Agent模式进行回答。两个问题如下：

Create a new table for fake products. Each product should have a name and a price. Generate 10 fake products based on video games.
现在产品表里面有哪些数据，给我返回前5条。

Cursor中大模型执行结果如下图：

此时后台已运行响应的Docker容器，如下：

1
2
3

$ docker ps
CONTAINER ID   IMAGE                  COMMAND                   CREATED          STATUS          PORTS                                            NAMES
12696a2c09b6   mcp/sqlite             "mcp-server-sqlite -…"   11 minutes ago   Up 11 minutes                                                    nifty_haibt

查看本地Sqlite db文件（路径为~/mcp-test/test.db）,里面内容如下：

Openai Agents中使用SQLite MCP Server

在文章NLP(一百一十七)使用Openai Agents SDK构建MCP，笔者介绍了如何使用Openai开源的Agent框架Openai Agents来构建MCP。这里继续介绍如何使用该框架来启动SQLite MCP Server，Python代码如下：

import os
import base64
import logfire
import shutil
import asyncio
from agents import Agent, Runner
from agents.mcp import MCPServer, MCPServerStdio

from dotenv import load_dotenv

load_dotenv()

# Build Basic Auth header.
LANGFUSE_AUTH = base64.b64encode(
    f"{os.environ.get('LANGFUSE_PUBLIC_KEY')}:{os.environ.get('LANGFUSE_SECRET_KEY')}".encode()
).decode()

# Configure OpenTelemetry endpoint & headers
os.environ["OTEL_EXPORTER_OTLP_ENDPOINT"] = os.environ.get("LANGFUSE_HOST") + "/api/public/otel"
os.environ["OTEL_EXPORTER_OTLP_HEADERS"] = f"Authorization=Basic {LANGFUSE_AUTH}"

# Configure logfire instrumentation.
logfire.configure(
    service_name='my_agent_service',
    send_to_logfire=False
)
# This method automatically patches the OpenAI Agents SDK to send logs via OTLP to Langfuse.
logfire.instrument_openai_agents()


async def run(mcp_server: MCPServer):
    agent = Agent(
        name="SQlite DB Assistant",
        model="gpt-4o",
        instructions="Use the tools to read, write, and search the sqlite db and answer user's question based on the db.",
        mcp_servers=[mcp_server],
    )

    message = "在这个数据库中，有哪几张表格，它们的名字、列名、列类型、行数分别是多少？"
    print(f"Running: {message}")
    result = await Runner.run(starting_agent=agent, input=message)
    print(result.final_output)


async def main():
    async with MCPServerStdio(
        name="SQlite Server, via docker",
        params={
            "command": "docker",
            "args": ["run", "--rm", "-i", "-v", "/Users/admin/mcp-test:/mcp", "mcp/sqlite", "--db-path", "/mcp/test.db"],
        },
    ) as server:
        await run(server)


if __name__ == "__main__":
    # Let's make sure the user has npx installed
    if not shutil.which("docker"):
        raise RuntimeError("Docker is not installed. Please install it.")

    asyncio.run(main())

输出结果如下：

Running: 在这个数据库中，有哪几张表格，它们的名字、列名、列类型、行数分别是多少？
12:59:14.187 OpenAI Agents trace: Agent workflow
12:59:14.190   Agent run: 'SQlite DB Assistant'
12:59:14.191     OpenAI agents: mcp_tools span
12:59:14.214     Responses API with 'gpt-4o'
12:59:18.321     Function: list_tables
12:59:18.340     Responses API with 'gpt-4o'
12:59:19.538     Function: describe_table
12:59:19.558     Responses API with 'gpt-4o'
12:59:20.515     Function: read_query
12:59:20.534     Responses API with 'gpt-4o'
12:59:21.598     Function: describe_table
12:59:21.618     Responses API with 'gpt-4o'
12:59:22.818     Function: read_query
12:59:22.833     Responses API with 'gpt-4o'
数据库中有以下两张表：

1. **products**
   - 列信息：
     - `id`: INTEGER, 主键
     - `name`: TEXT, 非空
     - `price`: DECIMAL(10,2), 非空
   - 行数：10

2. **sqlite_sequence**
   - 列信息：
     - `name`: TEXT
     - `seq`: INTEGER
   - 行数：1

如果需要更多信息，请告诉我。

总结

本文全面介绍了如何通过 Docker 启动并使用 SQLite MCP Server，结合 Cursor IDE 和 OpenAI Agents 实现本地数据库的智能交互。借助大模型的强大理解与推理能力，用户可以自然语言驱动数据库操作，无需编写 SQL 语句，大大提升了操作体验与效率。

通过 Cursor，用户可以快速测试和验证 Agent 的数据库交互能力；而在 OpenAI Agents SDK 的支持下，还能实现灵活可扩展的服务部署，为本地数据智能分析提供了更强大的可能性。这种结合 Docker、本地数据库与智能 Agent 的范式，为开发者提供了一种轻量、高效、实用的智能数据操作方案。

欢迎关注我的公众号NLP奇幻之旅，原创技术文章第一时间推送。