Doris MCP + Dify 让 AI+ 数据质量治理变得如此简单

❝昨天下午，和一位头部电商的数据架构师吹水💦 他苦笑着告诉我："我们Doris里有上万张表，单表成百上千个字段，但数据质量规则？基本没有。开发同学问我某个字段该用什么质量标准，我也不知道怎么回答。" 这似乎不是个例，是90%以上的企业数仓团队都面临同样的困境：明知道数据质量重要，但不知道从何下手；听说过准确性、完整性、一致性...这些标准，但不知道具体怎么落地；想做AI+数据质量治理，但缺乏一个可行的方法和工具。 今天，我们就来聊聊这个让无数数据团队头疼的话题：数据质量的六大评价标准，以及Apache Doris MCP + Dify如何让这个老大难的问题变得简单。

数据质量的六重门

数据质量有六大评价标准：准确性、完整性、一致性、及时性、唯一性和有效性。听起来很学术，但每一个背后都藏着企业的生死劫。

准确性：数据是否反映真实情况？一个电商平台的订单金额字段出现负数，直接导致财务报表错误，差点让公司上市计划泡汤。

完整性：关键字段是否存在空值？某银行的客户信息表中，30%的手机号为空，营销活动无法触达用户，白白损失了千万级的业务机会。

一致性：同一数据在不同系统中是否保持一致？一家零售企业的商品价格在订单系统和库存系统中不一致，导致大量客户投诉和退款。

及时性：数据是否在规定时间内更新？某物流公司的配送状态更新延迟2小时，客户满意度直线下降。

唯一性：是否存在重复数据？一个CRM系统中同一客户被重复录入，销售团队重复跟进，客户体验极差。

有效性：数据格式是否符合业务规则？邮箱格式错误、身份证号不合规，这些看似小问题，却可能导致整个业务流程卡壳。

每一个标准的缺失，都可能成为企业发展的"阿喀琉斯之踵"。

最让人头疼的是，即使知道了这六大标准，开发人员依然不知道该怎么办。

"这个用户ID字段，我该检查什么？"

"订单金额的有效性规则应该怎么设置？"

"数据更新的及时性标准是多少？"

这些问题每天都在数据团队中上演。

传统的做法是什么？开会讨论、制定文档、人工检查。

结果呢？文档束之高阁，检查流于形式，问题依然层出不穷。

问题的根源在于：数据质量治理缺乏系统性的方法论和智能化的工具支撑。

开发人员需要的不是抽象的理论，而是具体的、可执行的、智能化的质量规则。

Doris MCP + Dify 重塑 AI+数据质量治理

这个环节不1313，直接上手实操看效果👇

环境准备

1. Doris

Doris版本用2.1.10 🔗：https://doris.apache.org/download/

实测数据集使用 TPC-H Benchmark 🔗：https://doris.apache.org/zh-CN/docs/benchmark/tpch

Doris MCP Server 本文选择直接 pip install 的方式：

# python version 3.12
# install specific version
pip install doris-mcp-server==0.5.1

# start doris mcp server
doris-mcp-server \
    --transport http \
    --host  0.0.0.0 \
    --port 3000 \
    --db-host 0.0.0.0 \ # Doris FE 地址
    --db-port 9030 \ # Doris FE Query 端口
    --db-user root \ # Doris 用户名
    --db-password root & # Doris 密码

出现如下日志 Uvicorn running on 则表示启动成功：

2. Dify

可以基于Docker搭建 🔗：https://github.com/langgenius/dify

也可以直接使用Dify Cloud：https://cloud.dify.ai/apps

环境初始化后:

2.1 配置Doris MCP Server

在Dify的工具栏中，选择MCP，并添加MCP服务配置相关信息即可：

# 服务端点 URL
http://{doris mcp server ip}:3000/mcp

# 名称和图标
Doris-MCP-Server

# 服务器标识符
doris_mcp_server

2.2 创建Agent

创建空白应用，选择Agent并进行简单设置后创建。

2.3 配置Agent

创建Agent后，首先配置LLM（本次配置的是DeepSeek V3）。

接着添加MCP工具，完成后可以查看MCP信息和设置进行确认：

最后在提示词 中输入如下内容即可开测：

⚠️ 提示词过长，可后台发送 0810DorisMCPCase 自动获取

<role>
你是一位专业的Apache Doris数据质量治理专家，拥有深厚的数据仓库管理和数据质量控制经验。你的核心使命是基于数据质量六大评价标准（准确性、完整性、一致性、及时性、唯一性、有效性），帮助企业构建完善的数据质量治理体系，确保数据资产的高质量、高可信和高价值。
</role>

<core_capabilities>
1. **数据质量六维评估** - 基于准确性、完整性、一致性、及时性、唯一性、有效性六大标准进行全面质量评估
2. **智能质量规则推荐** - 根据表结构和业务场景自动推荐适合的数据质量规则
3. **质量问题诊断修复** - 快速识别数据质量问题并提供具体的修复方案
4. **质量监控体系构建** - 建立持续的数据质量监控和预警机制
5. **数据血缘质量追踪** - 追踪数据流转过程中的质量变化和影响范围
6. **质量治理最佳实践** - 提供行业领先的数据质量治理方法论和实施建议
</core_capabilities>

<tool_usage_strategy>
## 智能工具选择策略

### 数据质量全面评估场景
**工具调用顺序**:
1. 使用 `get_db_list`、`get_db_table_list` 获取数据库和表清单
2. 使用 `get_table_comment`、`get_table_schema` 了解表结构和业务含义
...
### 质量规则推荐场景
**工具调用顺序**:
1. 使用 `get_table_schema` 分析字段类型和约束
......提示词过长，可后台发送 0810DorisMCPCase 自动获取

实测体验

先来通过这个Agent查看下Doris的库表情况：

当前Doris中有多少库和表

确认库表信息无误后，让Doris MCP Server帮我分析下tpch库数据质量如何：

请基于数据质量六大标准（准确性、完整性、一致性、及时性、唯一性、有效性）对 tpch 数据库进行全面质量评估：

重点关注问题：
- 空值分析：统计各字段空值率，识别关键业务字段的缺失情况
- 异常值检测：发现数值型字段的离群值和文本字段的格式异常
- 重复数据：检查是否存在重复的客户记录
- 数据分布：分析各字段的数据分布特征和业务合理性

请提供详细的质量评估报告，包括问题分级、影响评估和具体的治理建议。

从结果而言，基于 Apache Doris MCP Server + Dify 构建的 AI+ 数据质量治理Agent对TPCH标准测试数据库进行了全面的六维数据质量评估。

通过准确性、完整性、一致性、及时性、唯一性和有效性六个维度的分析，Agent自动发现了疑似的质量问题：客户账户余额存在负值需业务逻辑确认，同时验证了所有主键的唯一性、关键字段的完整性以及跨表关联的一致性...

怎一个香字了得？

结语

从手工作坊到智能工厂，从被动响应到主动预防，从经验驱动到数据驱动。Apache Doris MCP Server + Dify 的组合，为我们展示了 AI+数据质量治理 的真实图景：每一个字段都有专属的质量守护者，每一条规则都有智能的推荐依据，每一个问题都有及时的预警和修复。

数据质量的六大标准不再是高不可攀的理论，而是触手可及的实践；开发人员不再为质量规则选择而困扰，而是有了智能的助手和向导。

AI+数据质量治理已来，你准备好拥抱这个智能化的未来了吗？