1. 为什么要在 KingbaseES 上折腾 MCP Server如果你正在做 AI 应用又恰好用的是 KingbaseES金仓数据库大概率会遇到一个尴尬模型能写 SQL但你不敢让它直接连生产库。要么自己包一层 API要么把 SQL 拼成字符串丢给数据库安全和可维护性都很难看。MCPModel Context Protocol解决的正是这件事。它把「AI 调用外部工具」标准化了数据库操作被封装成一个个可审计、可限权的工具模型只负责决定「调哪个工具、传什么参数」真正执行 SQL 的是 MCP Server。KES MCP Server 就是为 KingbaseES 写的这一层服务端实现。这篇教程的目标很明确从零把 KES MCP Server 跑通先给出config.toml和settings.json两份骨架配置再用 TaoToken 的统一 Key 把 AI 工具接进来最后用一次真实查询验证整条链路。适合已经装好 KingbaseES、想给 AI 工具加数据库能力的后端和 AI 应用开发者。全程可复制不需要你提前理解 MCP 协议细节。需要说明的是MCP Server 本身不替代数据库客户端它只是把数据库能力以工具形式暴露给 AI。真正的权限边界仍然由你在 KingbaseES 里创建的那个专用账号决定。2. 前置准备TaoToken 统一 Key 与 KingbaseES 连接信息在写配置之前先把两样东西准备好一个能连 KingbaseES 的数据库账号以及一个 TaoToken 的 API Key。数据库这边建议不要用超级用户。新建一个只够用的账号比如mcp_service只给它需要的库和表的权限。这一步在后面的排障章节还会展开因为权限不足是最高频的报错来源。TaoToken 这边它的作用是给 AI 工具提供统一的模型调用通道。你不需要在每台机器、每个工具里分别配不同厂商的 Key一个 Key 走同一个 API 地址就行。对 MCP 场景来说这意味着 AI 客户端比如支持 MCP 的编码工具和 MCP Server 可以共用同一套凭证体系配置量小很多。先拿到 Key访问 TaoToken API Keys 管理页创建一个 Key 并保存好。API 基础地址是https://taotoken.net/api注意这个地址不带任何查询参数直接填进配置即可。注意Key 只显示一次创建后立刻复制到安全的地方。不要把它写进会提交到 Git 的配置文件里用环境变量或本地.env更稳妥。环境依赖方面KES MCP Server 通常以 Python 包形式分发需要 Python 3.10 以上AI 客户端侧如果走 Node需要 Node 18 以上。KingbaseES 默认端口常见为 54321请以你实际部署为准。3. 可复制配置config.toml 与 settings.json 骨架这一节是全文的核心两份配置直接抄改即可。先看服务端的config.toml。# config.toml - KES MCP Server 服务端配置 [server] name kes-mcp-server host 127.0.0.1 port 8080 log_level INFO [database] # KingbaseES 连接信息按实际环境修改 host 127.0.0.1 port 54321 dbname testdb user mcp_service password ${KES_DB_PASSWORD} # 从环境变量读取避免明文 sslmode prefer [database.pool] min_connections 2 max_connections 10 connection_timeout 30 [security] # 查询安全边界 max_query_rows 1000 query_timeout_seconds 30 blocked_keywords [DROP, TRUNCATE, ALTER, GRANT, REVOKE] require_where_on_update true # UPDATE/DELETE 必须带 WHERE [audit] enabled true log_queries true log_parameters false # 敏感参数不落盘 retention_days 30几个关键点值得单独说。password用${KES_DB_PASSWORD}占位启动前通过环境变量注入这样配置文件可以放心进版本库。blocked_keywords是硬拦截模型就算生成了DROP TABLE也会被挡在门外。require_where_on_update是我强烈建议打开的开关它能防住「忘了写 WHERE 导致全表更新」这类事故。再看 AI 客户端侧的settings.json这里以常见的 MCP 客户端配置格式为例把 TaoToken 作为模型通道、把 KES MCP Server 作为工具服务同时接进来。{ model: { provider: openai-compatible, base_url: https://taotoken.net/api, api_key: ${TAOTOKEN_API_KEY}, model: claude-sonnet-4-5 }, mcpServers: { kes-database: { command: kes-mcp-server, args: [--config, /etc/kes-mcp-server/config.toml], env: { KES_DB_PASSWORD: ${KES_DB_PASSWORD} } } } }base_url填https://taotoken.net/apiapi_key用你刚才创建的 Key。mcpServers里声明了一个名为kes-database的服务客户端启动时会自动拉起kes-mcp-server进程并通过标准输入输出与它通信。这样模型在对话中就能「看到」数据库工具。如果你更习惯用编码类工具做长期开发可以把模型通道换成 TaoToken Coding Plan它面向的就是持续编码和 Agent 场景配合 MCP 工具链更顺。4. 启动服务并验证请求链路配置写好后先导出环境变量再启动服务。export KES_DB_PASSWORD你的数据库密码 export TAOTOKEN_API_KEY你的TaoToken Key # 前台启动方便看日志 kes-mcp-server --config ./config.toml看到类似listening on 127.0.0.1:8080的输出说明服务起来了。先做一次健康检查curl -s http://127.0.0.1:8080/health预期返回里应包含数据库连接状态类似{status:healthy,database:connected,version:1.0.0}如果database不是connected先别急着往下走去第 5 节对照排查。健康检查通过后做一次真实查询验证。这里直接调用 MCP Server 的查询接口模拟 AI 工具发起的一次工具调用curl -s -X POST http://127.0.0.1:8080/query \ -H Content-Type: application/json \ -d { sql: SELECT id, username, email FROM users ORDER BY id LIMIT 5, timeout: 10 }预期返回结构大致如下rows里是真实数据row_count是返回行数{ ok: true, row_count: 5, rows: [ {id: 1, username: alice, email: aliceexample.com}, {id: 2, username: bob, email: bobexample.com} ], execution_time_ms: 12 }到这一步数据库操作链路就算通了AI 客户端 → TaoToken 模型通道 → MCP Server → KingbaseES。你可以再故意发一条UPDATE users SET emailx不带 WHERE应该会被require_where_on_update拦下并返回错误这正好验证了安全边界生效。想更直观地看模型如何调用这些工具可以打开 TaoToken 模型对话在对话里让它「查一下 users 表前 5 条」观察它是否正确地选择了kes-database工具并传入参数。5. 本篇常见报错排查跑不通的时候九成问题集中在这几类按顺序排查效率最高。连接被拒绝Connection refused。先确认 KingbaseES 在跑systemctl status kingbase再确认端口在听ss -tlnp | grep 54321。如果服务正常但连不上多半是config.toml里的 host/port 写错了或者数据库只监听了 localhost 而你的服务在另一台机器。用ksql -h 127.0.0.1 -p 54321 -U mcp_service -d testdb手动连一次能连上说明配置问题连不上就是数据库侧问题。权限不足permission denied for table xxx。这是最常见的。MCP Server 用的账号权限不够去数据库里补GRANT CONNECT ON DATABASE testdb TO mcp_service; GRANT USAGE ON SCHEMA public TO mcp_service; GRANT SELECT, INSERT, UPDATE ON ALL TABLES IN SCHEMA public TO mcp_service; GRANT USAGE, SELECT ON ALL SEQUENCES IN SCHEMA public TO mcp_service;注意ALL TABLES只对当前已存在的表生效之后新建的表要重新授权或者用ALTER DEFAULT PRIVILEGES设默认权限。查询超时query timeout。先看是不是查询本身太重用EXPLAIN ANALYZE看执行计划缺索引就补索引。如果确实是业务需要长查询再调大config.toml里的query_timeout_seconds但别一上来就调到几百秒那会掩盖真正的性能问题。结果集被截断result truncated。返回行数超过max_query_rows时会被截断。正确做法是给查询加LIMIT或分页而不是无脑调大上限。如果确实要拉大量数据做分析考虑改成聚合查询把行数降下来。MCP 客户端拉不起服务。检查settings.json里command指向的可执行文件是否在 PATH 里args里的配置文件路径是否是绝对路径。客户端日志通常会打印子进程的 stderr那里有最直接的线索。排查时如果怀疑是模型通道的问题可以单独用 TaoToken 接入文档 里的示例请求测一下 API 是否通把「模型通道」和「数据库工具」两个环节分开定位能省很多时间。6. 把这条链路用起来链路跑通之后真正有价值的是把它变成日常工具。我的建议是先在测试库上把常用查询封装成几个固定的 MCP 工具比如「按用户查订单」「按时间段统计销售额」让模型调用这些语义明确的工具而不是让它自由生成 SQL。这样既安全结果也更稳定。另外config.toml里的审计日志别关。log_queries true配合log_parameters false既能追溯谁在什么时候查了什么表又不会把敏感参数写进日志。跑一段时间后翻一翻审计记录你会对模型的实际行为有更清晰的认知也能据此调整权限和拦截规则。如果你打算把 MCP 用在长期编码或 Agent 工作流里可以了解下 TaoToken Coding Plan它和 MCP 工具链配合时模型能持续记住上下文减少重复配置。需要管理多个 Key 或查看用量去 TaoToken Console 就行。整套东西的入口在 TaoToken 官网API 地址统一用https://taotoken.net/api。