MCP + 数据库，一种比 RAG 检索效果更好的新方式！

在开始学习之前，我们先了解一下，RAG 技术目前的局限性。

资料推荐

💡MCP中转API推荐
✨中转使用教程

一、背景：RAG 的局限性
RAG，即检索增强生成（Retrieval-Augmented Generation），是目前大模型领域的一个热门方向。它将信息检索技术与生成式模型相结合，解决大模型在知识准确性、上下文理解以及对最新信息的利用等方面的难题。
在之前的教程中，如何拥有一个无限制、可联网、带本地知识库的私人 DeepSeek？ 我们一起学习了如何在本地部署模型并且引入知识库。
但是很多小伙伴可能对 RAG 有点误解，觉得我们只要将一些额外的知识通过 RAG 导入，模型就能完美的掌握并且回答这些知识相关的问题。但事实和想象还是有差距的，大家在实际尝试后可能会发现，RAG 的精准度似乎没有那么好。
从 RAG 本身技术原理的角度出发，目前存在着以下问题：

检索精度不足：首先，RAG 最核心的就是先将知识转换成 “向量“ ，导入 “向量数据库“，然后在将用户输入的信息也转换成 “向量” ，然后再去向量数据库匹配出相似的 “向量“，最后再由大模型去总结检索到的内容。

从这个过程中我们看出，大模型仅仅起到了总结的作用，而检索到信息的精准度大部分情况下取决于向量的相似度匹配，检索结果可能包含无关内容（低精确率）或遗漏关键信息（低召回率）。

生成内容不完整：由于 RAG 处理的是文档的切片，而切片的局部性注定了它无法看到整篇文档的信息，因此在回答诸如“列举XXX”“总结XXX”等问题时，一般回答是不完整的。
缺乏大局观：RAG 无法判断需要多少个切片才能回答问题，也无法判断文档间的联系。例如，在法律条文中，新的解释可能覆盖旧的解释，但 RAG 无法判断哪个是最新的。
多轮检索能力弱：RAG 缺乏执行多轮、多查询检索的能力，而这对推理任务来说是必不可少的。

尽管近期也有些新出现的技术，如 GraphRAG、KAG 等能够在一定程度上解决这些问题，但都还不成熟，目前的 RAG 技术还远远达不到我们预期想要的效果。
下面，我们将介绍一个新的方案，通过 MCP + 数据库来提高结构化数据的检索精准度，基本上能够实现 text to SQL 的效果，实测的检索效果也要比 RAG 好很多，例如我们有这样一份学生列表的信息：

我们用一个稍微复杂一点问题（身高 180-190cm 之间的女生有哪些？）来测试：

实战：使用 MCP 调用数据库
首先，为了方便给大家进行演示，我们先来构造一个简单的数据库案例。
4.1 Mongodb
这里我们选择的数据库是 MongoDB：一款流行的开源的文档型数据库。MongoDB 使用文档型数据模型，数据以 JSON 格式存储。

为什么选择 MongoDB 而不是 sqlite 之类的关系型数据库呢，主要还是因为在关系型数据库中，表结构是固定的，若要添加新字段或修改表结构，往往需要进行复杂的迁移操作。而 MongoDB 的文档型数据模型，允许在同一个集合中存储不同结构的文档，应用程序可以根据需要灵活地添加或修改字段，无需事先定义严格的表结构，这对于我们想构建一个持续补充的结构化知识库的场景，是非常友好的。
大家可以直接在官方文档下载安装 MongoDB Community Server（MongoDB 的免费开源版本）：

安装完成后，其会默认监听我们本地的 27017 端口
然后，为了可视化查看数据，我们还需要安装 MongoDB Compass (MongoDB 提供的本地 GUI 可视化工具)

安装完成后，我们通过 MongoDB Compass 客户端链接到本地的 MongoDB Server：

随后，大家就可以通过客户端将自己的数据导入 MongoDB 数据库，在后面的例子中，我们将使用一个学生信息的数据来进行演示，假定我们的数据是这样的：

如果你不知道怎么导入 MongoDB ，可以借助 AI 来帮你编写导入脚本，然后根据 AI 提示进行导入即可：

提示词：帮我编写一个脚本，可以将当前表格中的数据导入我本地的 MongoDB 数据库，数据库的名称为 studentManagement

然后根据 AI 提示运行脚本进行导入即可，成功导入后的效果：

学生信息表：

学生分数表：