# 如何在内网配置 TiDB 数据库 Agent

昨天的文章已经实现了通过 `FastAPI + OpenAI + pyTiDB` 的方式搭建 Agent 智能体，也在文章结尾演示了在聊天框中操作数据库。但是因为此种方式要手写一个 `FastAPI http` 接口，加上 Centos 7.9 的系统，`GCC` 和 `Python` 版本都较低，操作相对复杂。

因此，这次我们使用 RockyLinux 的系统，再配置一次 TiDB 数据库的 Agent，这里我们就演示通过 `MCP SSE` 的方式，先介绍和对比一下这两种方式。

## 1. MCP VS FastAPI

在将 `TiDB` 的能力接入 `Dify` 时，主要有两种可选方案：一种是：原生 `MCP (SSE)` 模式（达梦的此种方式弄了很久没搞成功）; 另一种是：`FastAPI` 自定义桥接 + `OpenAPI` 的 `Custom Tool` 模式。 以下是二者对比与适用场景分析：

## 📊 核心多维度对比

| 对比维度 | 方式一：原生 MCP (SSE) 模式 | 方式二：FastAPI + OpenAPI 模式 |
| :--- | :--- | :--- |
| **开发成本** | **极低（零代码）**直接运行官方打包好的工具，开箱即用。 | **中等（需写代码）**需要用 Python 编写 FastAPI 后端、处理连接池及路由。 |
| **Dify 接入复杂度** | **极简**在 Dify 中添加一个 MCP 地址，所有数据库工具自动同步。 | **中等**需要将 FastAPI 生成的 OpenAPI JSON 复制并配置到 Dify 中。 |
| **数据安全与权限控制** | **低（大模型自由度高）**AI 拥有执行任意只读 SQL（或特定用户权限内 DDL/DML）的权力。 | **极高（代码级拦截）**可以在 Python 代码中对 SQL 实施拦截、校验、硬编码过滤或仅暴露固定接口。 |
| **业务逻辑定制性** | **弱**只能进行标准的数据库增删改查。 | **极强**可以在查库前后加入任何业务逻辑（如：查完 TiDB 再调用高德 API，再返回给 Dify）。 |
| **维护成本** | **低**跟进 PingCAP 官方的 MCP 升级即可。 | **高**数据库表结构变动或接口增删时，需要同步修改代码并重新导入 Dify。 |

## 💡 适用场景分析与选型建议

### 1. 优先选择 方式一：原生 MCP (SSE) 模式

* **内部 PoC / 快速原型验证**：希望以最快速度搭建演示系统，验证 `LLM + TiDB` 的 RAG 或 Data Agent 能力。
* **数据分析/报表 Agent**：主要用于内部数据查询与分析，允许 AI 灵活用 SQL 进行多维度探索。
* **低代码/无代码团队**：缺乏足够的后端开发资源，希望直接复用官方生态组件。

### 2. 优先选择 方式二：FastAPI + OpenAPI 模式

* **生产环境上线**：对数据安全、SQL 注入风险要求极高的线上业务。
* **复杂业务流**：查询数据前需要鉴权/过滤，或者查库后需要拼装第三方 API 数据（如 API 聚合）。
* **面向终端用户的应用**：不希望大模型直接接触数据库底层结构，仅暴露出特定的业务 API 。

总结下来就是：**想省事、想快点用上就用 MCP 标准的模式；想更安全、自己完全掌控就用 FastAPI + OpenAPI 模式。**

`Dify`、`FastAPI`、`MCP`、`Ollama` 等这些概念我们之前文章已经介绍了，此次部署环境如下，下面我们直接进行配置环节。

| 机器IP            | 配置大小   | 部署组件                       | 备注            |
| --------------- | ------ | -------------------------- | ------------- |
| 192.168.182.16 | 4C8G   | Dify/TiDB MCP            | RockyLinux 虚拟机 |
| 192.168.182.31  | 4C8G   | TiDB-Server/PD/Tikv-Server | Centos7.9 虚拟机 |
| 192.168.182.32  | 4C8G   | TiDB-Server/PD/Tikv-Server | Centos7.9 虚拟机 |
| 192.168.182.33  | 4C8G   | TiDB-Server/PD/Tikv-Server | Centos7.9 虚拟机 |

## 2. 安装 Dify

### 2.1 基础环境准备

```bash
# 1. 配置 Rocky Linux 阿里云源
sudo tee /etc/yum.repos.d/aliyun-rocky.repo << 'EOF'
[baseos]
name=Rocky Linux $releasever - BaseOS - Aliyun
baseurl=https://mirrors.aliyun.com/rockylinux/$releasever/BaseOS/$basearch/os/
gpgcheck=1
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-rockyofficial

[appstream]
name=Rocky Linux $releasever - AppStream - Aliyun
baseurl=https://mirrors.aliyun.com/rockylinux/$releasever/AppStream/$basearch/os/
gpgcheck=1
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-rockyofficial

[extras]
name=Rocky Linux $releasever - Extras - Aliyun
baseurl=https://mirrors.aliyun.com/rockylinux/$releasever/extras/$basearch/os/
gpgcheck=1
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-rockyofficial
EOF


# 2. 清理旧的 docker
sudo dnf remove -y podman runc docker docker-client docker-common docker-engine 
 
# 3. 配置 docker 的阿里云源
sudo dnf config-manager --add-repo https://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo

# 4. 清缓存+建缓存
sudo dnf clean all && sudo dnf makecache

# 5. 终端配置代理（可选，为了方便 git 克隆）
cat >>/etc/profile << 'EOF'
export http_proxy=http://192.168.182.1:10811
export https_proxy=http://192.168.182.1:10811
export no_proxy=localhost,127.0.0.1,*.aliyun.com,mirrors.aliyun.com
EOF

# 6. 使生效
source /etc/profile

# 7. 验证
curl -I https://google.com
```

### 2.2 安装 docker

```
# 1. 安装 docker 
sudo dnf install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

# 2. 配置 docker 里面的代理
sudo mkdir -p /etc/systemd/system/docker.service.d

sudo tee /etc/systemd/system/docker.service.d/http-proxy.conf << 'EOF'
[Service]
Environment="HTTP_PROXY=http://126.168.182.1:10811"
Environment="HTTPS_PROXY=http://192.168.182.1:10811"
Environment="NO_PROXY=localhost,127.0.0.1,192.168.0.0/16,172.16.0.0/12,10.0.0.0/8,*.aliyun.com,://aliyun.com,*.aliyuncs.com,host.docker.internal"
EOF

# 3. 重新加载配置并重启 Docker
sudo systemctl daemon-reload
sudo systemctl restart docker
sudo systemctl status docker

# 4. docker 安装验证
systemctl show docker --property=Environment

[root@localhost yum.repos.d]# docker --version
Docker version 29.7.2, build a7dcaa6

[root@localhost yum.repos.d]# docker compose version
Docker Compose version v5.5.0
```

### 2.3 安装 Dify

- **Docker 和 Docker Compose** 已全部就绪。
- **终端代理** 已通，可以极速克隆 GitHub 源码。
- **Docker 引擎代理** 已通，可以无阻碍拉取 Docker Hub 上的 Dify 镜像。

```bash
# 1. 使用 git 克隆 dify
sudo dnf install -y git
git clone https://github.com/langgenius/dify.git

# 如果速度慢，就直接下载压缩包，解压到 opt 下面
wget https://github.com/langgenius/dify/archive/refs/heads/main.zip
unzip main.zip -d /opt/

# 2. 进入 Docker 编排目录
cd dify-main/docker

# 3. 复制生成环境变量文件
cp .env.example .env

# 修改此参数
SSRF_PROXY_ALLOW_PRIVATE_IPS=127.0.0.1,172.17.0.0/16,192.168.0.0/16

# 4. 一键拉起 Dify 服务集群
docker compose up -d
```

至此 Dify 在内网已经部署好了，下面我们开始配置 MCP 。

## 3. TiDB MCP 配置

```bash
# 1. 在 /opt 目录克隆 pytidb 项目
[root@localhost opt]# git clone https://github.com/pingcap/pytidb
正克隆到 'pytidb'...
remote: Enumerating objects: 2363, done.
remote: Counting objects: 100% (1005/1005), done.
remote: Compressing objects: 100% (494/494), done.
remote: Total 2363 (delta 778), reused 536 (delta 510), pack-reused 1358 (from 3)
接收对象中: 100% (2363/2363), 2.59 MiB | 953.00 KiB/s, 完成.
处理 delta 中: 100% (1367/1367), 完成.

# 2. 安装相关依赖
[root@localhost opt]# cd pytidb
[root@localhost opt]# sudo dnf install -y gcc gcc-c++ make python3-devel --nogpgcheck

# 3. uv 下载 Python 3.12（要求大于 3.11 版本） 并建立虚拟环境
[root@localhost pytidb]# uv venv --python python3.12
Using CPython 3.12.14
Creating virtual environment at: .venv
Activate with: source .venv/bin/activate

# 4. 激活刚刚创建的虚拟环境
[root@localhost pytidb]# source .venv/bin/activate

# 5. 执行同步下载，拉取全部 TiDB MCP 组件及依赖
(pytidb) [root@localhost pytidb]# uv sync --extra mcp
Resolved 200 packages in 1ms
      Built pytidb @ file:///opt/pytidb                                                                 
Prepared 170 packages in 19m 34s
Installed 170 packages in 1.29s
 + aiohappyeyeballs==2.6.1
 + aiohttp==3.11.18
 + aiosignal==1.3.2
 + annotated-doc==0.0.5
 + annotated-types==0.7.0
...
# 如果报错，解决报错，清理环境重新再创建虚拟环境
rm -rf .venv/ 
uv cache clean

# 6. 查看 venv 里是 mcp 2.x 还是 1.x
(pytidb) [root@localhost pytidb]# .venv/bin/pip show mcp

# 7. 要求安装 mcp 1.x 版本
(pytidb) [root@localhost pytidb]# .venv/bin/pip install 'mcp<2'
...
Successfully installed httpx-sse-0.4.3 mcp-1.29.1

# 8. 测试是否安装成功
(pytidb) [root@localhost pytidb]# .venv/bin/python -c 'from mcp.server.fastmcp import FastMCP; print("OK")'
OK

# 9. 创建配置文件 .env 的文件，存放本地 TiDB 数据库集群凭证
cat > /opt/pytidb/.env << 'EOF'
TIDB_HOST=192.168.182.31
TIDB_PORT=4000
TIDB_USERNAME=root
TIDB_PASSWORD=root
TIDB_DATABASE=test
EOF

# 10. 启动前 source 一下
(pytidb) [root@localhost pytidb]# set -a && source .env && set +a

# 11. 一键启动常驻的 SSE 后台服务
(pytidb) [root@localhost pytidb]# .venv/bin/python -m pytidb.ext.mcp --transport sse --host 0.0.0.0 --port 8000

2026-08-29 07:53:40,840 - tidb_mcp_server - INFO - Starting tidb mcp server...
INFO:     Started server process [988751]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
```

现在 MCP SSE 模式已经在监听了。接下来需要配置 MCP 客户端，切换回 Dify 的网页后台。

## 4. Dify 集成 MCP 和大模型

### 4.1 安装MCP SSE插件

Windows 中打开谷歌浏览器， 输入 Dify 所在的虚拟机 IP 地址，邮箱注册并登录。在 marketPlace 中 找到 `MCP SSE / StreamableHTTP`（可以 ctrl + F 搜 sse），点击安装。

### 4.2 配置 MCP

点击 集成，选择工具插件，选择刚刚安装的 `MCP SSE / StreamableHTTP`，配置 API Key 授权。输入如下代码。

```
{
  "tidb": {
    "transport": "sse",
    "url": "http://172.17.0.1:8000/sse",
    "headers": {},
    "timeout": 60,
    "sse_read_timeout": 300
  }
}
```

![1](https://developer.qcloudimg.com/http-save/yehe-8568070/c5d212797ba52f7d81ac46e02a12e278.png)

保存后，提示操作成功。

![3-操作成功](https://developer.qcloudimg.com/http-save/yehe-8568070/9593561b23c7c3033afab06ee7811011.png)

### 4.3 配置大模型

在 marketPlace 中 找到 大模型厂商，Deepseek、Gemini、OpenAI 都行，这些都是在线大模型，如果本地使用 Ollama 启动了大模型，可以选择 Ollama，如何安装和集成到 Dify，请看上篇博客，这里就直接配置和使用 Deep 在线大模型。
![大模型](https://developer.qcloudimg.com/http-save/yehe-8568070/0df0fa090718cd662962e824cfdbe04b.png)

### 4.4 打通数据链

第一步：创建一个 Agent（智能体）应用

1. 登录 Dify 后台，点击左边导航栏的 **「Agents」**。
2. 点击左侧或右上角的 **「创建空白应用]**，名称可以填 **TiDBAgent**。
3. 点击 **「创建 (Create)」** 进入 Agent 编排画布。

第二步：为 Agent 配置“大脑”与“提示词”

进入编排页面后，在**中间的配置面板**中进行以下两步操作：

1. **选择大模型 (LLM)**：
   - 在左上角的下拉菜单中，选择你刚刚在第一步配好的大模型（如你配置好的 **Gemini**、**DeepSeek** 或 **OpenAI** ）。
2. **填写系统提示词 (Instructions)**：
   - 在左侧的提示词文本框中，粘贴以下专门针对 TiDB MCP 优化的引导词：

```
# 角色
你是一个高级分布式数据库 TiDB 的数据分析专家。你能够完美理解用户的中文业务诉求，并自动通过调用 TiDB 工具箱来获取真实数据。

# 核心工作流
1. 当用户让你查询、分析数据时，如果不知道表结构，请【必须】首先调用 `show_tables`（或相关获取结构的工具）查看有哪些表。
2. 理解表结构后，根据用户的意图编写准确、高效且安全的 SQL 语句。
3. 调用 `db_query` 工具执行你编写的 SQL。
4. 拿到数据库返回的 JSON 数据后，将数据用人性化的中文大白话（或者 Markdown 表格/图表）整理并回答给用户。

# 注意事项
- 只能执行只读查询，严禁执行高危的删除或清空操作。
- 如果遇到 SQL 执行报错，请根据错误信息自我纠正 SQL 并重新尝试，直到查出结果。
```

第三步：为 Agent 注入 TiDB MCP 超能力

这一步是把 MCP 工具挂载到大模型身上：

1. 在配置面板中找到 **「工具 (Tools)」** 模块，点击右侧的 **「+ 添加 (+ Add)」** 按钮。
2. 在弹出的工具列表中，找到刚刚添加的 `MCP SSE`。

![agent 配置页面](https://developer.qcloudimg.com/http-save/yehe-8568070/6fe160bd36116e567baa3297c3920bcf.png)

## 5. Agent 测试

现在已经打通了，我们与 Agent 进行对话。

### 5.1 场景1：询问数据库集群信息

![case1-1](https://developer.qcloudimg.com/http-save/yehe-8568070/e54ceb30418eed21c63244f0dee38d38.png)

![case1-2](https://developer.qcloudimg.com/http-save/yehe-8568070/d133259fd6f5aaab9d9b6123f757393b.png)

![case1-3](https://developer.qcloudimg.com/http-save/yehe-8568070/dee8ad17f270124b18d48fd0a86b326b.png)

### 5.2 场景2：集群有多少个 raft group

![case2-1](https://developer.qcloudimg.com/http-save/yehe-8568070/0da504183df36eb1bc3ce146f7c1cf7e.png)

![case2-2](https://developer.qcloudimg.com/http-save/yehe-8568070/c4ca7fb693318488ab8d9aa673242086.png)

### 5.3 场景3：test_db 下面有几张表，数据量分别是多少

![case3](https://developer.qcloudimg.com/http-save/yehe-8568070/59bac58643d00cd9ed0a38e79070a8d6.png)

### 5.4 场景4：能否为tab_tidb 插入几行测试数据

![case4](https://developer.qcloudimg.com/http-save/yehe-8568070/a6702de29b4c7be5bd6ff541f4f08af8.png)

至此，用 AI 来操作内网的 `TiDB` 数据库已经成功了，这里由于我的 `Dify` 所在的 `Rocky Linux` 可以连公网，我偷了个懒使用了 `DeepSeek` 在线大模型。如果内网部署了大模型（如通过 Ollama），就直接切换模型即可。`Dify` 相比 `cursor`，`Dify` 支持团队协同和多端共享，也就是办公室同事都可以使用。如果对概念定位还有点模糊可以翻一下之前的文章，今天的实战就到这里。

**如果本文对你有所帮助，欢迎点赞、推荐和转发，也欢迎关注后续文章，一起探索 AI 如何赋能数据库运维。**



昨天的文章已经实现了通过 FastAPI + OpenAI + pyTiDB 的方式搭建 Agent 智能体，也在文章结尾演示了在聊天框中操作数据库。但是因为此种方式要手写一个 FastAPI http 接口，加上 Centos 7.9 的系统，GCC 和 Python 版本都较低，操作相对复杂。

如何在内网配置 TiDB 数据库 Agent

人工智能

内网部署TiDB数据库Agent教程，对比原生MCP(SSE)与FastAPI+OpenAPI两种接入Dify方案，详解RockyLinux环境下Dify、MCP、TiDB的完整配置流程，实现AI自然语言查询数据库，支持只读操作与智能SQL生成，附测试场景演示。

分布式数据库

数据库集群

数据库运维

代码解释

数据分析

数据安全

数据库

虚拟机

DeepSeek

Windows

路由

Python

GitHub

Docker

JSON

腾讯云BI特惠9.9元起！


2026上云采购 | AI焕新·智启新局

tencentdb-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何在内网配置 TiDB 数据库 Agent-腾讯云开发者社区-腾讯云

如何在内网配置 TiDB 数据库 Agent

如何在内网配置 TiDB 数据库 Agent

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐