🧠 100% 本地 MCP 客户端 + SQLite 服务器（LlamaIndex + Ollama + Qwen2.5 / DeepSeek-R1）
🧩 技术栈与原理说明
本项目实现了一个 完全本地运行的 MCP（Model Context Protocol）客户端与服务器系统。
🚀 技术栈
- LlamaIndex：用于构建基于 MCP 协议的智能体（FunctionAgent）。
- Ollama：提供本地大语言模型（推荐使用
Qwen2.5:7b-instruct，DeepSeek-R1 仅作兼容测试）。 - LightningAI：负责运行与托管工作流（可选，本地运行时未启用远程托管）。
- SQLite：轻量级本地数据库，用作演示性后端。
- MCP Protocol：实现 Host ↔ Client ↔ Server 的标准通信机制（本地 SSE）。
⚙️ 工作流原理
- 用户输入自然语言查询；
- 智能体（FunctionAgent）基于提示词与工具描述，判断是否调用工具；
- MCP 客户端通过 SSE 连接到 MCP 服务器；
- 服务器提供工具（如
add_data与read_data）并执行对应 SQL； - 执行结果回传给代理；
- 模型结合上下文生成最终自然语言回复。
🧠 项目整体架构
📘 实现步骤概览
| 步骤 | 内容 | 说明 | | -- | ----------------- | -------------------------------------- | | #1 | 构建 SQLite MCP 服务器 | 提供两个基础工具：添加数据 / 查询数据 | | #2 | 设置 LLM | 使用 Ollama 调用本地模型（推荐 Qwen2.5:7b） | | #3 | 定义系统提示 | 指导代理如何判断与使用 MCP 工具 | | #4 | 定义代理 | 通过 LlamaIndex 封装 MCP 工具为 FunctionAgent | | #5 | 定义代理交互 | 管理用户输入、流式事件和工具调用 | | #6 | 初始化 MCP 客户端与代理 | 加载工具并建立与服务器的 SSE 连接 | | #7 | 运行代理 | 用户交互 → 智能体决策 → 工具执行 → 自然语言输出 |
本项目展示了一个 完全本地运行 的最小可用示例：
- ✅ MCP Server：暴露数据库读写工具（基于 SQLite）
- ✅ MCP Client：封装为 LlamaIndex FunctionAgent
- ✅ LLM：通过 Ollama 调用本地模型（推荐
qwen2.5:7b-instruct）
整个流程在本机完成，无需外部 API。
📁 项目结构
local-mcp-demo/
├── README_zh.md # 运行说明（本文件）
├── requirements.txt
├── server/
│ └── server.py # #1 SQLite MCP 服务器（SSE / stdio 二选一）
└── client/
├── ollama_client.py # #2~#7 MCP 客户端 + LlamaIndex 代理
└── system_prompt.txt # #3 系统提示词（定义工具使用策略）⚙️ 环境准备
1️⃣ Python 环境
- Python 3.10+
- 建议使用虚拟环境
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt若国内网络较慢，可使用清华镜像： `` pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ``2️⃣ 安装 Ollama（本地模型运行时）
- 打开浏览器访问
- 下载对应平台的安装包并安装（Windows/macOS/Linux）
- 安装完成后，打开终端验证：
ollama --version出现版本号即安装成功。
3️⃣ 拉取支持函数调用的模型（非常重要）
⚠️ DeepSeek-R1 官方模型默认不支持 Function Calling 即使是1.5b/7b版本，也可能无法让代理自动触发 MCP 工具调用。 建议使用qwen2.5:7b-instruct模型（支持工具调用）。
# 推荐模型（支持 Function Calling）
ollama pull qwen2.5:7b-instruct
# 可替换为其他支持函数调用的模型：
# ollama pull llama3.1:8b-instruct
# ollama pull mistral:7b-instruct可验证是否下载成功：
ollama list注意： * DeepSeek-R1:1.5b 虽然标称支持工具调用，但实际测试中并不稳定； * 7B 版本的 DeepSeek-R1 在相同条件下支持度更高，但资源占用也更大； * Qwen2.5:7b-instruct 模型支持最完善。
🚀 运行步骤
🧩 Step 1. 启动 SQLite MCP 服务器
server/server.py 实现了两个工具：
add_data(query: str) -> bool：执行INSERT/UPDATE/DELETEread_data(query: str = "SELECT * FROM people") -> list：执行SELECT
启动命令：
cd server
python server.py --db ../demo.db --transport sse看到如下输出说明成功：
✅ SQLite DB: D:\Projects\MCP\demo.db
🚀 MCP SQLite server running on SSE http://127.0.0.1:8000/sse✅ 启动后会自动创建示例表 people(name, age, profession)。🧠 Step 2. 设置 LLM（Ollama）
client/ollama_client.py 默认模型：
MODEL_NAME = "qwen2.5:7b-instruct"如你下载了其他模型（例如 DeepSeek-R1），可自行修改。
📜 Step 3. 定义系统提示词（System Prompt）
client/system_prompt.txt 中定义了模型的角色与工具使用规则。 例如：
- 当用户提到“添加”/“插入”，调用 add_data；
- 当用户提到“查询”/“获取”，调用 read_data；
- 调用成功后请返回简洁结果，不重复调用；删除该文件或清空内容会导致模型无法判断何时调用工具（详见下文“原理解释”）。
🤖 Step 4. 定义代理（FunctionAgent）
client/ollama_client.py 使用：
llama_index.tools.mcp将 MCP 工具包装为 LlamaIndex 原生工具；FunctionAgent构建函数调用代理（function-calling agent）。
代理负责：
- 决定是否调用工具；
- 调用后整合结果；
- 生成自然语言回答。
💬 Step 5. 定义代理交互
handle_user_message(...)：
- 将用户输入传入代理；
- 打印工具调用事件（
[Event] ToolCall -> ...）； - 返回自然语言结果。
⚙️ Step 6. 初始化 MCP 客户端与代理
mcp_client = BasicMCPClient("http://127.0.0.1:8000/sse")
mcp_tool = McpToolSpec(client=mcp_client)
tools = await mcp_tool.to_tool_list_async()
agent = FunctionAgent(tools=tools, llm=llm, system_prompt=SYSTEM_PROMPT)🧑💻 Step 7. 启动客户端与模型代理
另开一个终端，保持服务器运行：
cd client
source ../.venv/bin/activate # Windows 用 .venv\Scripts\activate
python ollama_client.py输入示例：
添加到数据库：INSERT INTO people(name, age, profession) VALUES('Rafael Nadal', 39, 'Tennis Player')预期输出（部分示例）：
[Event] AgentInput
[Event] AgentStream
[Event] ToolCall -> add_data
[Event] AgentOutput
Agent: 成功添加 Rafael Nadal 到数据库。再输入：
获取数据或：
查询: SELECT * FROM people输出：
[Event] ToolCall -> read_data
Agent: 查询到 1 条记录：
- Rafael Nadal（39 岁，Tennis Player）🪞 常见问题与解决
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 模型不断调用工具 | 没有限制循环次数 | 在 FunctionAgent 设置 max_steps=3 |
| 模型判定错误（不调用工具） | system_prompt 被删除或模型不支持工具调用 | 恢复 system_prompt，或使用 qwen2.5:7b-instruct |
| 查询不到数据 | 工具没执行（只输出 JSON） | 换支持 Function Calling 的模型 |
| 报 “near '*'” SQL 错误 | 模型输出含全角符号 / 代码围栏 | 在服务器端清洗 SQL（见 server.py 中 _clean_sql） |
| LLM 输出中文乱码 | Ollama 控制台字符集问题 | 使用 UTF-8 终端或 VSCode 终端 |
| 显存不足 | 模型太大 | 换小参数模型（如 qwen2.5:1.8b） |
💡 技术原理简述
- MCP Server：封装 SQLite 工具（add / read），暴露为标准 MCP 接口（SSE / stdio）。
- MCP Client：通过
BasicMCPClient与服务器通信。 - LlamaIndex Agent：接收用户输入 → 调用本地 LLM → 由 LLM 判断是否、以及如何调用工具。
- System Prompt：指导模型决策（是工具调用的“说明书”）。
- LLM（Ollama）：执行推理，输出函数调用或自然语言。
如果删除 system_prompt.txt，模型将失去工具使用说明，因此无法再“自主判定”调用函数。🧩 我们的改进与经验总结
- ✅ 自建 MCP Server 实现数据库访问；
- ✅ FunctionAgent 可根据自然语言意图自动选择
add_data/read_data； - ✅ Qwen2.5:7b-instruct 是最佳兼容模型；
- ⚙️ DeepSeek-R1 1.5b/7b 在相同条件下无法稳定支持 Function Call；
- 🔁 加入调用步数上限与 prompt 限制，防止死循环；
- 🧱 未来可扩展更多工具（文件读写、知识库检索等）。
🧾 License
MIT License（自由使用、修改和扩展）