LangChain + MCP 构建带可视化图表功能的ChatBI智能体

 

一、实现流程介绍

在本专栏的前面文章中,介绍过基于 LangChain + MCP 和 SpringAI + MCP 构建 ChatBI 智能体,但未对数据进行可视化图表的分析,而可视化图表是数据分析的重要组成部分,它能够将复杂的数据转化为直观易懂的图形表示。因此本篇文章基于 LangChain + MCP 实验构建 ChatBI + 可视化图表 综合的智能体。

使用数据说明

其中分析数据采用数据采用 COVID-19 测试案例,包括:美国 2021-01-28 号,各个县county的新冠疫情累计案例信息,包括确诊病例和死亡病例,数据格式如下所示:

date(日期),county(县),state(州),fips(县编码code),cases(累计确诊病例),deaths(累计死亡病例)
2021-01-28,Pike,Alabama,01109,2704,35
2021-01-28,Randolph,Alabama,01111,1505,37
2021-01-28,Russell,Alabama,01113,3675,16
2021-01-28,Shelby,Alabama,01117,19878,141
2021-01-28,St. Clair,Alabama,01115,8047,147
2021-01-28,Sumter,Alabama,01119,925,28
2021-01-28,Talladega,Alabama,01121,6711,114
2021-01-28,Tallapoosa,Alabama,01123,3258,112
2021-01-28,Tuscaloosa,Alabama,01125,22083,283
2021-01-28,Walker,Alabama,01127,6105,185
2021-01-28,Washington,Alabama,01129,1454,27

下载地址如下:

https://github.com/BIXUECHAO/covid-19-tes-data/blob/main/us-covid19-counties.csv

整体实现过程如下所示:

其中可视化图表能力采用 ModelScope 上公开的 MCP-Server,地址为:

https://modelscope.cn/mcp/servers/@antvis/mcp-server-chart

连接方式:

{
  "mcpServers": {
    "mcp-server-chart": {
      "type": "sse",
      "url": "https://mcp.api-inference.modelscope.net/530c948576c248/sse"
    }
  }
}

Covid19 Query MCP Server 则是通过 FastMCP 来自定义实现。大模型端采用 OpenAI 的 GPT-4.1 模型,你也可以换成其他支持工具调通的模型。

实验最终实现的效果如下所示:

提问: 找出确诊人数前五名的州,按饼图的方式绘制给我

提问: 根据每个县的确诊人数取Top10,以柱状图的方式呈现给我

本次实验所依赖的版本如下所示:

mcp==1.9.2
openai==1.75.0
langchain==0.3.25
langchain-openai==0.3.18
langgraph==0.4.7
pymysql==1.0.3

二、搭建 数据查询 MCP Server

首先创建数据表,并导入上述数据:

CREATE TABLE `us_covid19_counties` (
  `date` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '日期',
  `county` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县',
  `state` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '州',
  `fips` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县编码code',
  `cases` int DEFAULT NULL COMMENT '累计确诊病例',
  `deaths` int DEFAULT NULL COMMENT '累计死亡病例'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='COVID-19 案例';

实现数据库操作,这里仅仅做了数据库交互,实际使用时应考虑很多性能细节的优化:

utils_db.py

import pymysql

defget_conn():
    return pymysql.connect(
        host="127.0.0.1",
        port=3306,
        database="test3",
        user="root",
        password="root",
        autocommit=True
    )

defquery(sql):
    conn = get_conn()
    cursor = conn.cursor()
    cursor.execute(sql)
    columns = [column[0] for column in cursor.description]
    res = list()
    for row in cursor.fetchall():
        res.append(dict(zip(columns, row)))
    cursor.close()
    conn.close()
    return res

创建数据查询 MCP Server,这里实现了两个 MCP Tools, 分别是获取表 Schema 和 执行SQL 两个操作:

import json

from mcp.server.fastmcp import FastMCP
import utils_db

mcp = FastMCP("COVID-19-DB-Query-Mcp-Server")

schema_sql = """
SELECT COLUMN_NAME, DATA_TYPE, COLUMN_COMMENT FROM INFORMATION_SCHEMA.COLUMNS 
WHERE TABLE_SCHEMA = 'test3' AND TABLE_NAME = '{table}'
"""


effective_tables = ["us_covid19_counties"]

@mcp.tool()
defget_table_schema() -> str:
    """获取当前有效表的 MySQL Schema, 生成SQL之前,你应该使用该工具获取完整的表结构"""
    table_schema = []
    for table in effective_tables:
        schemas = utils_db.query(schema_sql.format(table=table))
        schemas = ", ".join([f"{s['COLUMN_NAME']} {s['DATA_TYPE']} COMMENT {s['COLUMN_COMMENT']}"for s in schemas])
        table_schema.append(f"TABLE `{table}` ({schemas})")
    return"\n\n".join(table_schema)


@mcp.tool()
defrun_sql(sql: str) -> str:
    """执行MySQL SQL语句查询数据,一次仅能执行一句SQL!"""
    try:
        returnstr(utils_db.query(sql))
    except Exception as e:
        returnf"执行SQL错误:{str(e)} ,请修正后重新发起。"


if __name__ == "__main__":
    mcp.settings.port = 6030
    mcp.run("sse")

启动 MCP Server:

三、LangChain MCP Client 智能体构建

LangChain 官方关于 MCP 的集成介绍文档如下:

https://langchain-ai.github.io/langgraph/Agents/mcp/

关于MCP的连接,通过 MultiServerMCPClient 抽取出所有的 MCP Tools ,然后交给 create_react_agent 构建智能体。

实现过程和本地控制台测试逻辑如下:

import os, config

os.environ["OPENAI_BASE_URL"] = "https://api.openai.com/v1"## 支持openai协议的 API BASE
os.environ["OPENAI_API_KEY"] = "sk-xxxxx"## 你的API KEY
from langgraph.prebuilt import create_react_agent
from langchain_mcp_adapters.clie…
— 以上为试看内容(约 40%),开通会员后阅读全文 —