MCP Alchemy Backend

MCP数据服务

提供方 ChiragKottary

数据服务 未标注 API Key 社区 / 第三方 Claude

该服务利用大型语言模型(LLM)将自然语言查询转换为SQL语句,支持多种LLM提供商,提供智能SQL生成、安全验证和批量处理功能,适用于数据库查询和数据分析场景。

一句话选型结论

按资料字段整理

MCP Alchemy Backend 属于数据服务类 MCP 服务器,传输方式未标注,API Key,可直接接入 Claude,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类数据服务 传输方式未标注 鉴权API Key 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 4 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

数据服务
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量4暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

自然语言处理JavaScript本地部署SQL生成数据库查询LLM应用数据分析

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 4 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
数据库查询

用自然语言查库、取数,不用手写 SQL。

数据同步与清洗

把多来源数据拉到一处做整理。

报表取数

按口径快速拉出统计结果。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 4 个工具,职责相对集中,接入后不容易误操作。
  • 已适配 Claude,换客户端不用重新研究配置。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在数据服务场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Alchemy Backend当前 4 未标注 未标注 无 2026-05-17
Memory 9d25f64e 9 未标注 未标注 无 2026-05-17
Getzep MCP 9 stdio · 本地进程 本地部署 有 2026-05-17
anything-llm 未标注 stdio · 本地进程 本地部署 有 2026-04-11
Prisma MCP Server 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Astr Bot 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

数据服务
字段来自项目仓库与公开索引,中文说明由本站标注
提供方ChiragKottary上游标注的维护方 ChiragKottary
分类数据服务本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

9.1 KB
来自项目仓库与上游目录的原文,未做删改

基于LLM的自然语言转SQL Server

概述

这台服务器利用大型语言模型(LLMs)将自然语言查询转换为SQL语句。它不依赖于模式匹配,而是借助人工智能来理解您的意图,并生成相应的SQL查询。

特点/特性

  • 多个大型语言模型(LLM)提供商OpenAI、Anthropic Claude、Ollama(本地)和Groq
  • 智能SQL生成大型语言模型(LLM)能够理解上下文并生成复杂的SQL语句
  • 模式感知为大型语言模型(LLM)提供数据库模式,以生成准确的查询
  • 安全验证验证生成的SQL语句,以防止危险操作
  • 美观的网页用户界面实时SQL生成的交互式界面
  • 批处理同时处理多个查询

快速入门

1. 安装依赖项```bash

cd http-server
npm install


### 2. 配置大型语言模型(LLM)提供商

复制示例配置:```bash
cp .env.example .env

编辑 .env 并添加您的大型语言模型(LLM)配置:

选项A:OpenAI(推荐)```env

LLM_PROVIDER=openai
LLM_API_KEY=sk-your-openai-api-key
LLM_MODEL=gpt-4-turbo-preview


#### 选项B:Anthropic的Claude```env
LLM_PROVIDER=anthropic
LLM_API_KEY=sk-ant-your-anthropic-key
LLM_MODEL=claude-3-opus-20240229

选项C:Ollama(本地,免费)```env

LLM_PROVIDER=ollama
LLM_MODEL=codellama

No API key needed!


首先安装Ollama并拉取一个模型:```bash
# Install from https://ollama.ai/
ollama pull codellama

选项D:Groq云(快速)```env

LLM_PROVIDER=groq
LLM_API_KEY=gsk-your-groq-key
LLM_MODEL=mixtral-8x7b-32768


### 3. 设置数据库

创建包含示例数据的测试数据库:```bash
npm run setup-db

4. 启动服务器```bash

npm start

or for development with auto-reload

npm run dev


### 5. 打开浏览器

导航至 `http://localhost:3000`

## 它是如何工作的

1. **你写的是自然语言**“给我展示前五大客户的总订单金额”

1. **大型语言模型(LLM)接收上下文**:

- 您的查询
- 完整的数据库模式
- SQL生成指令

1. **大型语言模型生成SQL**:```sql
SELECT u.username, u.email, SUM(o.total_amount) as total_spent
FROM users u
JOIN orders o ON u.id = o.user_id
GROUP BY u.id, u.username, u.email
ORDER BY total_spent DESC
LIMIT 5
  1. 服务器验证并执行 SQL(Structured Query Language,结构化查询语言)

  2. 返回结果 为提高透明度,附上生成的SQL语句

API 端点

生成并执行查询

POST(邮政) `/api/llm/query````bash
curl -X POST http://localhost:3000/api/llm/query \
-H "Content-Type: application/json" \
-d '{
"prompt": "Show me customers who spent more than $1000"
}'


回答:```json
{
"success": true,
"prompt": "Show me customers who spent more than $1000",
"generatedSQL": "SELECT u.username, u.email, SUM(o.total_amount) as total_spent FROM users u JOIN orders o ON u.id = o.user_id GROUP BY u.id HAVING total_spent > 1000",
"result": {
"columns": ["username", "email", "total_spent"],
"data": [...]
},
"llmProvider": "openai",
"model": "gpt-4-turbo-preview"
}

仅生成SQL

POST(邮政) /api/llm/generate

生成SQL语句而不执行它:```bash
curl -X POST http://localhost:3000/api/llm/generate \
-H "Content-Type: application/json" \
-d '{
"prompt": "Delete all inactive users"
}'


### 批处理

**POST(邮政/帖子/发布)** `/api/llm/batch`

处理多个查询:```bash
curl -X POST http://localhost:3000/api/llm/batch \
-H "Content-Type: application/json" \
-d '{
"prompts": [
"Count all users",
"Average order value",
"Top selling product"
]
}'

测试LLM连接

POST(邮政/帖子/发布) `/api/llm/test````bash
curl -X POST http://localhost:3000/api/llm/test


### 获取模式(或架构)

**GET(获取)** `/api/schema`

返回当前的数据库架构。

## 自然语言查询示例

大型语言模型(LLM)能够理解复杂且自然的查询:

### 基本查询

- “显示所有用户”
- “列出50美元以下的产品”
- “获取最新订单”

### 复杂查询

- “查找那些已下单超过3次但最近30天内未下单的客户”
- “给我展示过去一年每个月的收入趋势”
- “哪些产品经常一起被购买?”
- “找出从未进行过购买的用户”

### 聚合

- “按客户细分来看,平均订单价值是多少?”
- “显示月度销售增长率”
- “计算前10大客户的终身价值”

### 连接与关系

- “显示所有订单,包括客户详细信息和产品信息”
- “列出客户及其最常购买的产品类别”
- “查找从未订购过的产品”

## 大型语言模型(LLM)提供商对比

服务提供商 · 优点 · 缺点 · 最适合
**OpenAI GPT-4** 最佳SQL生成,处理复杂查询 · 需付费,需API密钥 · 生产环境使用
**Anthropic的Claude** 出色的推理,安全的输出 · 需要付费,需要API密钥 · 复杂的业务逻辑
**Ollama(本地)** 免费、私密、无API限制 · 需要本地资源,速度较慢 · 开发、隐私敏感
**Groq** 非常快,质量好 · 需要API密钥 · 大量查询

## 配置选项

### 环境变量```env
# LLM Settings
LLM_PROVIDER=openai              # Provider choice
LLM_API_KEY=sk-...               # API key (not needed for Ollama)
LLM_MODEL=gpt-4-turbo-preview   # Model selection
LLM_TEMPERATURE=0.1              # 0.0-1.0 (lower = more deterministic)
LLM_MAX_TOKENS=500              # Max response length

# For Ollama
LLM_BASE_URL=http://localhost:11434  # Ollama server URL

# Database
DB_URL=sqlite:///test.db        # Your database connection

温度设置

  • 0.0-0.3确定性、一致性的SQL生成(推荐)
  • 0.3-0.7平衡创意与一致性
  • 0.7-1.0更具创意,可能为相同提示生成不同的SQL

安全特性

  1. SQL 验证防止危险操作,如 DROP DATABASE
  2. 查询限制自动添加 LIMIT 子句以防止返回大量结果集
  3. 模式隔离LLM只看到模式,看不到实际数据
  4. 参数化生成的SQL在执行前会经过验证

故障排除

大型语言模型(LLM)未能生成有效SQL

  1. 检查您的API密钥是否正确
  2. 验证模型名称是否有效
  3. 尝试将温度降低到0.1
  4. 先用更简单的查询进行测试

连接错误```bash

Test LLM connection

curl -X POST http://localhost:3000/api/llm/test

Check health

curl http://localhost:3000/health


### Ollama 安装设置```bash
# Install Ollama
curl -fsSL https://ollama.ai/install.sh | sh

# Pull a model
ollama pull codellama

# Start Ollama server
ollama serve

# Test
curl http://localhost:11434/api/generate -d '{
"model": "codellama",
"prompt": "SELECT * FROM users LIMIT 1"
}'

高级用法

自定义系统提示

修改系统提示中的 server.js:``javascript function createSQLGenerationPrompt(userQuery) { returnYou are a SQL expert. Generate optimized SQL...

Additional rules:
- Always use indexes when available
- Prefer JOIN over subqueries
- Add comments for complex logic

User request: "${userQuery}"`;
}


### 添加新的大型语言模型(LLM)提供商

添加一个新的提供商 `server.js`:```javascript
case 'your-provider':
return await callYourProvider(prompt);

async function callYourProvider(prompt) {
// Your implementation
}

监控和日志记录

服务器日志:

  • 所有自然语言查询
  • 生成的SQL语句
  • 执行时间
  • 错误和警告

查看日志:```bash
npm start 2>&1 | tee llm-server.log


## 性能优化技巧

1. **缓存模式**启动时缓存模式
1. **使用合适的模型**:
- GPT-3.5-turbo适用于简单查询(更快、更便宜)
- GPT-4用于复杂查询(准确性更高)
1. **批量查询**使用批量端点进行多次查询
1. **本地模型**使用Ollama进行开发以节省API成本

## 成本估算

| 提供者 | 模型 | 每次查询的成本\* | 速度 |
|----------|-------|-----------------|-------|
| OpenAI | GPT-4-turbo | 约0.03美元 | 2-3秒 |
| OpenAI | GPT-3.5-turbo | 约0.002美元 | 1-2秒 |
| 人类(Anthropic) | Claude-3-Opus | 约0.04美元 | 2-3秒 |
| 人类偏好模型 | Claude-3-Haiku | 约0.001美元 | 1-2秒 |
| Ollama | Codellama | 免费 | 3-5秒 |
| Groq | Mixtral | 约$0.001 | \<1秒 |

\*带有模式上下文的典型查询的近似成本

## 使用不同提供商的示例

### 复杂商业查询

**提示**“给我看看那些高价值但面临流失风险的客户(过去60天内无订单)”

**GPT-4 生成的 SQL**:```sql
SELECT
u.id,
u.username,
u.email,
COUNT(o.id) as total_orders,
SUM(o.total_amount) as lifetime_value,
MAX(o.created_at) as last_order_date,
JULIANDAY('now') - JULIANDAY(MAX(o.created_at)) as days_since_last_order
FROM users u
JOIN orders o ON u.id = o.user_id
GROUP BY u.id
HAVING lifetime_value > 500
AND days_since_last_order > 60
ORDER BY lifetime_value DESC
LIMIT 10;

贡献

要添加新功能或大型语言模型(LLM)提供商:

  1. 为仓库创建分支(或:克隆仓库)
  2. 添加您的提供商 server-llm.js
  3. 更新文档
  4. 提交一个拉取请求

许可证

与MCP炼金术主项目相同。

支持

对于问题或疑问:

  • 查看故障排除部分
  • 查看服务器日志
  • 测试LLM连接端点
  • 验证数据库模式是否已加载

常见问题

6 问
答案由本站依据条目字段整理,不引用上游原文
MCP Alchemy Backend 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

MCP Alchemy Backend 怎么在 Claude 里配置?

它的传输方式未标注,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

MCP Alchemy Backend 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Alchemy Backend 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

MCP Alchemy Backend 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

MCP Alchemy Backend 能提供哪些能力?

资料显示约 4 个工具;能力标签包括 数据分析、自然语言处理、JavaScript、Claude、LLM应用。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。