MongTap - 用于大型语言模型（LLMs）的MongoDB MCP服务器
YouTube上的演示视频：
MongTap是一个模型上下文协议（MCP）服务器，它通过统计建模提供与MongoDB兼容的数据库功能。它使得像Claude这样的大型语言模型（LLM）能够使用自然语言创建、查询和管理数据库，而无需实际的数据存储。
仓库（或存储库）： \ 网站： smallminds.co 翻译成中文可以是“小智域”（注：这里的“smallminds”直译为“小头脑”，但为了更符合中文网站域名的命名习惯，我将其意译为“小智域”，表示一个专注于智慧或小知识分享的平台或社区）。不过，具体的翻译可能还需要根据该网站的实际内容和定位来调整\ 联系andrew@smallminds.co（可译为：“安德鲁@小智公司邮箱”，但具体翻译可能需根据“smallminds.co”的实际含义调整，这里假设其为“小智公司”的简写）
特点/特性
- 🚀 表情符号“🚀”通常表示火箭、快速上升或急速前进，可以翻译为“🚀（火箭/快速上升）”。不过，在实际语境中，这个表情符号往往被用来表达兴奋、期待或快速进展的情绪，所以也可以根据具体情境翻译为“🚀（兴奋/期待）”或“🚀（快速进展）”。 MongoDB 传输协议 - 与MongoDB驱动程序和工具完全兼容
- 🧠 代表“大脑”或“思考”的意思。 统计建模 - 使用DataFlood技术实时生成逼真数据
- 🔧（扳手，表示修理或工具的意思） MCP集成 - 与Claude Desktop及其他MCP兼容的大型语言模型（LLM）无缝协作
- 📊 表格/数据图表 自然语言 - 根据描述或样本数据训练模型
- ⚡（闪电符号，无具体文字含义，常用于表示速度、活力或电力等） 高性能 - 每秒生成20,000多份文档
- 🎯（瞄准靶心） 零存储 - 数据是通过统计生成的，而非存储的
进一步的文件/文档
安装
先决条件
- Node.js 20多个版本
- Claude Desktop（用于MCP集成）
- 无需安装MongoDB！
快速入门
- 克隆仓库：
git clone https://github.com/smallmindsco/MongTap.git
cd MongTap- 安装依赖项（最少）：
npm install- 测试安装：
node src/mcp/index.js- 启动 MongoDB 服务器（可选）：
node start-mongodb-server.jsClaude 桌面配置
要在Claude Desktop中使用MongTap，您需要将其配置为MCP服务器。
1. 定位Claude桌面配置
找到您的Claude桌面配置文件：
- macOS（发音：/ˈmækɒs/，中文常译为“麦奥斯”或直接使用原名“macOS”）:
~/Library/Application Support/Claude/claude_desktop_config.json - Windows：
%APPDATA%\Claude\claude_desktop_config.json - Linux：
~/.config/Claude/claude_desktop_config.json
2. 将MongTap添加到配置中
编辑配置文件并将MongTap添加到 mcpServers 部分/章节：
{
"mcpServers": {
"mongtap": {
"command": "node",
"args": [
"/absolute/path/to/MongTap/src/mcp/index.js"
],
"env": {
"NODE_ENV": "production",
"LOG_LEVEL": "info"
}
}
}
}重要的替换 /absolute/path/to/MongTap 替换为您的MongTap安装的实际路径。
3. 重启Claude桌面应用
保存配置后，重启Claude桌面应用以使更改生效。
在Claude桌面版中使用MongTap
配置完成后，MongTap 提供了强大的数据库操作和数据生成工具。
快速参考
| 工具 | 目的 | 关键特性 |
|---|---|---|
generateDataModel | 创建统计模型 | 根据样本或描述 |
startMongoServer | 启动 MongoDB 服务器 | 完全支持线协议 |
stopMongoServer | 停止服务器实例 | 清理关闭 |
listActiveServers | 查看运行中的服务器 | 监控所有实例 |
queryModel | 生成文档 | $seed和$entropy控制 |
trainModel | 改进模型 | 增量学习 |
listModels | 查看可用模型 | 本地模型库存 |
getModelInfo | 模型详情 | 模式和统计信息 |
MCP 工具参考
1. 生成数据模型
描述根据样本文档或文本描述创建统计模型以生成数据。
参数：
name（必填）：模型的名称description（可选）：对数据结构的自然语言描述samples（可选）：用于训练模型的样本文档数组
示例：
generateDataModel({
name: "users",
description: "User profiles with name, email, age, and signup date"
})
// OR with samples
generateDataModel({
name: "products",
samples: [
{ name: "Laptop", price: 999, category: "Electronics" },
{ name: "Desk", price: 299, category: "Furniture" }
]
})2. 启动MongoDB服务器
描述启动一个本地兼容MongoDB的服务器，该服务器从统计模型中生成数据。
参数：
port（可选）：要监听的端口（0 表示自动分配，默认：27017）database（可选）：默认数据库名称（默认：“mcp”）
示例：
startMongoServer({ port: 27017, database: "myapp" })
// Returns: { port: 27017, status: "running" }3. 停止MongoDB服务器
描述通过端口号停止正在运行的MongoDB兼容服务器实例。
参数:
port（必需）：要停止的服务器端口
示例：
stopMongoServer({ port: 27017 })
// Returns: { success: true, message: "Server stopped" }4. 列出活动服务器
描述获取当前所有正在运行的MongoDB兼容服务器实例的列表。
参数无
示例:
listActiveServers()
// Returns: { count: 2, servers: [
// { port: 27017, database: "test", status: "running", uptime: 3600 },
// { port: 27018, database: "dev", status: "running", uptime: 1800 }
// ]}5. 查询模型
描述从统计模型中生成文档，可选择查询过滤器和生成控制。
参数:
model（必填）：要查询的模型名称query（可选）：使用特殊参数的MongoDB风格查询：
- $seed可重复生成的编号 - $entropy数字0-1用于控制随机性水平
count（可选）：要生成的文档数量（默认：10）
示例:
queryModel({
model: "users",
query: { age: { $gte: 18 }, $seed: 42, $entropy: 0.3 },
count: 5
})
// Returns 5 consistently generated adult users with low randomness6. 训练模型
描述使用额外的样本文档更新现有的统计模型，以提高生成质量。
参数：
model（必填）：要训练的模型名称documents（必需）：用于训练的文档数组
示例:
trainModel({
model: "products",
documents: [
{ name: "Mouse", price: 29, category: "Electronics" },
{ name: "Chair", price: 199, category: "Furniture" }
]
})
// Returns: { success: true, samplesAdded: 2, totalSamples: 4 }7. 列出模型（或“模型列表”）
描述获取本地存储的所有可用统计模型的列表。
参数无
示例：
listModels()
// Returns: ["users", "products", "orders", "inventory"]8. 获取模型信息（getModelInfo）
描述检索特定统计模型的详细模式和统计数据。
参数：
model（必填）：模型名称
示例:
getModelInfo({ model: "users" })
// Returns: {
// name: "users",
// schema: { type: "object", properties: { ... } },
// sampleCount: 100,
// lastUpdated: "2025-01-15T10:30:00Z",
// fields: ["name", "email", "age", "signupDate"]
// }MCP 提示
MongTap 包含针对常见数据库场景的预构建提示：
1. 创建电子商务数据库
描述创建一个包含产品、客户和订单的完整电子商务数据库。
使用方法/用途请Claude“使用create_ecommerce_db提示”来即时搭建一个完整的电子商务数据库结构。
2. 创建用户资料
描述创建一个包含认证和偏好设置的用户资料模型。
用法非常适合快速建立用户管理系统。
3. 分析模型
描述分析现有模型，并提供关于其结构的见解。
使用方法理解你的统计模型中的模式和分布。
4. 代际控制（或称为“世代控制”）
描述了解如何使用 $seed 和 $entropy 参数进行受控生成。
使用方法获取有关可重复且受控的数据生成的详细信息。
MCP Resources（公司名，可译为“MCP资源公司”或根据具体语境保留原名）
MongTap 提供只读资源用于监控：
1. 模型://列表
描述所有训练好的DataFlood模型列表\ 类型应用/JSON（或：JSON格式的应用）\ 回报模型名称和元数据的数组
2. servers://status（服务器状态）
描述所有MongoDB服务器的状态\ 类型: application/json（译为中文可表述为）：JSON应用（或JSON数据格式）\ 退货服务器端口、数据库和连接数
3. 模型路径：{name}/schema
描述获取特定模型的JSON模式\ 类型application/json（JSON数据格式）\ 退货完整的JSON Schema定义
4. 模型路径：{name}/示例
描述从模型中获取样本数据\ 类型application/json\ 退货样本文件数组
5. 文档://生成控制
描述关于 $seed 和 $entropy 查询参数的文档说明\ 类型text/markdown 翻译为中文是：Markdown 文本\ 退货详细的使用指南
与克劳德的示例对话
根据描述创建数据模型
You: Create a data model for a user profile with name, email, age, and registration date.
Claude: I'll create a user profile model for you using MongTap.
[Uses generateDataModel tool]
I've created a user profile model with the following structure:
- name (string)
- email (string, email format)
- age (integer, 0-120)
- registrationDate (string, date-time format)
The model is now ready to generate realistic user data.启动MongoDB服务器
You: Start a MongoDB server for my application on port 27017.
Claude: I'll start a MongoDB server for you.
[Uses startMongoServer tool]
MongoDB server started successfully:
- Port: 27017
- Database: test
- Connection string: mongodb://localhost:27017/test
You can now connect to this server using any MongoDB client or driver.
The server supports advanced generation control through $seed and $entropy parameters in queries.生成示例数据
You: Generate 100 user profiles from the model we created.
Claude: I'll generate 100 user profiles for you.
[Uses queryModel tool]
Generated 100 user profiles. Here's a sample:
1. { name: "John Smith", email: "john.smith@example.com", age: 28, registrationDate: "2024-01-15T10:30:00Z" }
2. { name: "Jane Doe", email: "jane.doe@example.com", age: 34, registrationDate: "2024-02-20T14:45:00Z" }
...
All documents follow the statistical patterns of your model.基于样本数据的训练
You: Here are some product samples. Train a model from them:
- { name: "Widget", price: 19.99, category: "tools", stock: 100 }
- { name: "Gadget", price: 29.99, category: "electronics", stock: 50 }
- { name: "Gizmo", price: 39.99, category: "tools", stock: 75 }
Claude: I'll train a product model from your samples.
[Uses generateDataModel tool with samples]
Model trained successfully! The model learned:
- name: product names (string patterns)
- price: range 19.99-39.99 (number distribution)
- category: "tools" or "electronics" (enum)
- stock: range 50-100 (integer distribution)
The model can now generate similar products with realistic variations.与MongoDB客户端建立连接
MongTap服务器与MongoDB客户端完全兼容。一旦您通过Claude启动了服务器：
使用 MongoDB Shell（mongosh）
mongosh "mongodb://localhost:27017/test"使用 Node.js 的 MongoDB 驱动程序
const { MongoClient } = require('mongodb');
async function connect() {
const client = new MongoClient('mongodb://localhost:27017');
await client.connect();
const db = client.db('test');
const collection = db.collection('users');
// Insert triggers model training
await collection.insertMany([
{ name: 'Alice', age: 30 },
{ name: 'Bob', age: 25 }
]);
// Find generates data from the model
const users = await collection.find({}).toArray();
console.log(users); // Statistically generated users
// Use generation control parameters
const consistentData = await collection.find({
$seed: 12345, // Consistent results
$entropy: 0.5 // Moderate randomness
}).toArray();
await client.close();
}使用Python（pymongo）
from pymongo import MongoClient
client = MongoClient('mongodb://localhost:27017/')
db = client['test']
collection = db['users']
# Insert trains the model
collection.insert_many([
{'name': 'Alice', 'age': 30},
{'name': 'Bob', 'age': 25}
])
# Find generates from the model
for user in collection.find():
print(user) # Statistically generated users
# Use generation control
for user in collection.find({'$seed': 12345, '$entropy': 0.3}):
print(user) # Consistent, low-entropy generation高级用法
多个服务器实例
您可以同时运行多个MongoDB服务器：
You: Start three MongoDB servers for development, testing, and staging environments.
Claude: I'll start three separate MongoDB servers for you.
[Uses startMongoServer multiple times]
Started 3 MongoDB servers:
1. Development - Port: 27017, Database: dev
2. Testing - Port: 27018, Database: test
3. Staging - Port: 27019, Database: staging
Each server maintains its own models and can be accessed independently.模型持久化
模型会自动保存，并且可以在不同会话中重复使用：
You: List all available models.
Claude: [Uses listModels tool]
Available models:
1. users - User profiles with name, email, age
2. products - Product catalog with pricing
3. orders - Order management system
4. customers - Customer database
You can query any of these models or train new ones.受限生成
生成具有特定约束和控制参数的数据：
You: Generate 50 users aged between 25 and 35 with consistent results using seed 12345.
Claude: I'll generate users with those specific constraints and seed control.
[Uses queryModel with constraints and generation parameters]
Generated 50 users with consistent results:
- All aged between 25-35
- Using seed 12345 for reproducible generation
- $entropy parameter controls randomness level
- Same query will always return identical results配置选项
环境变量
LOG_LEVEL- 日志级别（错误、警告、信息、调试、追踪）MONGTAP_PORT- MCP服务器的默认端口（默认：3000）MONGTAP_STORAGE- 模型存储路径（默认：./welldb-models）MONGTAP_MAX_SERVERS- 最大并发 MongoDB 服务器数（默认：10）
MCP服务器模式
MCP服务器可以在不同的模式下运行：
# Standard I/O mode (for Claude Desktop)
node src/mcp/index.js
# TCP mode (for network access)
node src/mcp/index.js tcp --port 3000
# Standalone mode (for testing)
node src/mcp/index.js standalone建筑学
MongTap由三个主要部分组成：
- DataFlood-JS - 从样本中学习的统计建模引擎
- WellDB-Node - MongoDB 二进制协议实现
- MCP服务器 - 大语言模型（LLM）工具的集成层
┌─────────────────┐ MCP Protocol ┌──────────────┐
│ Claude Desktop │ ◄──────────────────► │ MCP Server │
└─────────────────┘ └──────┬───────┘
│
▼
┌─────────────────┐ MongoDB Wire ┌──────────────┐
│ MongoDB Client │ ◄──────────────────► │ WellDB-Node │
└─────────────────┘ └──────┬───────┘
│
▼
┌──────────────┐
│ DataFlood-JS │
│ (Modeling) │
└──────────────┘故障排除
Claude Desktop 不显示 MongTap 工具
- 检查配置文件路径是否正确
- 确保MongTap的路径是绝对路径，而非相对路径
- 完全重启Claude桌面版
- 检查日志：
tail -f ~/Library/Logs/Claude/mcp-*.log(macOS)
MongoDB 客户端无法连接
- 验证服务器是否正在运行：在Claude中使用“listActiveServers”命令
- 检查端口是否未被使用：
lsof -i :27017 - 确保防火墙允许本地连接
- 尝试使用IP地址连接：
mongodb://127.0.0.1:27017
模型生成似乎不正确
- 提供更多的样本数据以进行更好的训练
- 在样本中使用一致的数据格式
- 检查模型信息以查看学习到的模式
- 如有需要，可使用额外约束进行重新训练
发展
运行测试
# Run all tests
npm test
# Run specific test suite
node test/mcp/test-mcp-server.js
node test/welldb-node/test-mongodb-server.js
node test/dataflood-js/test-inferrer.js
# Run integration tests
node test/welldb-node/test-integration.js项目结构
MongTap/
├── src/
│ ├── mcp/ # MCP server implementation
│ │ ├── mcp-server.js # Core MCP server
│ │ ├── prompt-analyzer.js # NLP for prompts
│ │ └── server-manager.js # Multi-server management
│ ├── welldb-node/ # MongoDB protocol
│ │ ├── server/ # MongoDB server implementation
│ │ └── storage/ # DataFlood storage adapter
│ └── dataflood-js/ # Statistical modeling
│ ├── schema/ # Schema inference
│ ├── generator/ # Document generation
│ └── training/ # Model training
└── README.md # This file许可证
MIT 许可证 - 请参阅 许可证 详情请查阅文件。
隐私政策
MongTap的设计以隐私为核心原则：
数据收集
- 不收集个人数据 - MongTap不收集任何用户数据
- 无分析或追踪功能 - 未收集使用统计数据
- 无外部连接 - 所有操作均在本地进行
- 没有数据持久性 - 模型是统计表示，而非实际数据
数据存储
- 所有模型均存储在您本地的机器上
- 存储位置可通过（相应系统/工具）进行完全配置
mongtap.config.json - 未使用任何云服务或外部存储
- 生成的数据是合成的，并不代表真实信息
数据安全
- 仅本地操作确保数据永不离开您的机器
- 无需认证（无需凭证，因此不存在凭证泄露风险）
- 开源代码允许进行全面的安全审计
- 输入验证可防止注入攻击
安全
MongTap 实施全面的安全措施：
- 输入验证所有输入在处理前均经过验证
- 错误处理优雅的错误处理可防止信息泄露
- 无外部依赖核心功能具有最小的依赖性
- 本地操作除非明确配置，否则不会暴露在网络中
- 开源为安全审计提供完整的代码透明度
如需详细的安全信息，请参阅 docs/SECURITY_AUDIT.md 翻译为中文是：文档/安全审计.md。
支持
- 问题：
- 文档： 文档/文件夹/资料/
- 状态: 设计文档/状态文件.claude
- 联系SmallMinds有限责任公司 smallminds.co 翻译成中文可以是“小思维网”（注：这里的“smallminds”被意译为“小思维”，以传达其可能蕴含的“思维狭隘”或“小格局”的含义，同时“.co”作为域名后缀，在中文中通常不直接翻译，而是保留原样或根据上下文意译，但在此处为简洁起见，未直接翻译“.co”）。不过，具体翻译可能还需根据该网站的实际内容和定位进行调整 - andrew@smallminds.co（可译为“安德鲁@小思维公司邮箱”，但具体翻译可能需根据上下文调整，因为“smallminds.co”可能是一个特定公司或项目的名称，直接翻译为“小思维”可能不够准确）
致谢
- 用于统计建模的DataFlood技术
- 用于协议规范的MongoDB
- 针对MCP协议的Anthropic（注：此处“Anthropic”可能指某个特定技术、协议或框架的名称，根据上下文具体翻译，若“Anthropic”本身为专有名词且无特定中文译名，则可保留原样或根据具体情境意译为“针对MCP协议的\[某特定技术/方案\]”）
- 用于大型语言模型（LLM）集成的Claude桌面版
______________________________________________________________________
注MongTap 生成的是统计数据，并不存储实际数据。它非常适合开发、测试和演示等场景，这些场景需要真实数据，但又不希望承担实际存储的开销。