ФОРС – Центр разработки
Москва, Трифоновский тупик, д. 3
Москва, Графский переулок, д. 14, корп. 2
Новости и события
Однажды один из слушателей моего курса задал вопрос, можно ли подключить локальную нейросеть к базе данных? Я, конечно, ответил «да»: ведь в оболочках, с которыми работаю, не раз видел инструменты для такой интеграции. Но видел — не значит настраивал сам. Вопрос меня сильно зацепил, и я решил сам во всём разобраться, пройти весь путь руками, а не просто показать кнопку подключения.
Можно было бы, конечно, быстро поставить PostgreSQL, создать пару пустых таблиц и получить эффектную демонстрацию. Но это неинтересно. Хотелось какого-то реального кейса, поработать, так сказать, с живой базой. При этом подключаться к действующей базе и рисковать данными это не мой подход, поэтому я взял тестовую копию внутренней системы учёта обучения1 и развернул её на отдельном стенде.
1Внутренняя система учёта обучения — веб-приложение Учебного центра ФОРС для работы с курсами, слушателями и организационной информацией. В её составе используются Oracle APEX, Tomcat и Oracle Database.
Моя задача была довольно конкретной: задавать обычным языком вопрос вроде «покажи расписание на следующую неделю» и получать таблицу с курсами, датами, количеством слушателей, форматом обучения, преподавателем и аудиторией. В эксперименте я использовал локальную модель Qwen 3.5 9B Q4_K_M. Желание было простое — получить рабочий результат и по дороге понять, какие части этой конструкции за что отвечают.
С базами данных до этого я работал, скорее, на уровне «установить, запустить и подключиться». Когда дело дошло до схемы, связей и запросов, мои знания быстро закончились. Я никогда не был достаточно усидчивым, чтобы спокойно и последовательно изучить SQL во всей его красе. Зато здесь появился практический повод, локальный Qwen стал напарником: предлагал запросы и помогал разбирать структуру, а я проверял результат на тестовой копии и уточнял задачу.
Языковая модель сама по себе не подключается к базе и не «видит» таблицы: она генерирует текст. Чтобы получить внешние данные, ей нужен инструмент, который выполнит запрос и вернёт результат в контекст диалога. Казалось бы, можно дать агенту полный доступ к SQL и поручить ему писать запросы самостоятельно. Но небольшие локальные модели могут ошибаться в названиях полей, условий и соединениях таблиц. Большая модель — это тоже не гарантия. Если запрос выполнится не так, как ожидалось, можно получить неверный отчёт, раскрыть лишние данные или даже затронуть исходную базу. Я предпочёл не полагаться только на качество генерации, а ограничить возможности технически. Oracle хранит данные и выполняет SQL. Подготовленные представления определяют, какие поля вообще доступны. Python-сервис публикует только заранее написанные операции. А агент в AI-приложении решает, какой инструмент вызвать по формулировке пользователя.
Для меня MCP оказался удобной прослойкой между языковой моделью и обычным кодом. Агенту не нужно знать устройство базы и сочинять SQL с нуля: он видит список доступных инструментов, их параметры и описание. А уже сервер знает, как именно получить расписание или проверить соединение.
Для чтения используется отдельный пользователь. Ему разрешается подключение к базе и чтение только специально подготовленных представлений. Это главный предохранитель: доступ к остальным объектам базы ему не предоставляется.
CREATE USER AI_READONLY IDENTIFIED BY "<СЕКРЕТ>" ACCOUNT UNLOCK; GRANT CREATE SESSION TO AI_READONLY; GRANT READ ON APP_SCHEMA.AI_SCHEDULE_VIEW TO AI_READONLY; GRANT READ ON APP_SCHEMA.AI_ENROLLMENTS_VIEW TO AI_READONLY; GRANT READ ON APP_SCHEMA.AI_CLASS_DATES_VIEW TO AI_READONLY;
Дальше пришлось разобраться, как устроены данные и какие связи нужны для расписания. Именно здесь пригодились VIEW представления. Если объяснять на привычном системному администратору языке, то можно привести аналогию с символьной ссылкой, через которую обращаешься к результату, хотя в данном случае сам набор данных не обязательно хранится в виде отдельной копии.
В представления я включал только то, что требовалось для сценария: название курса, даты занятий, имя преподавателя, аудиторию и агрегированные сведения о слушателях. Внутренние имена таблиц и лишние поля не нужны. Сложные связи остаются на стороне базы, а наружу выходит компактная и понятная модель данных.
Основную массу SQL-запросов предлагал Qwen, который пыхтел на моей бедной 5060, разогревая её почти до 70 градусов и выдавая около 50–70 токенов в секунду. Весь процесс описывать не буду: там были обычные пробы и ошибки. В итоге мы получили рабочие представления и проверили, что они возвращают нужные данные.
Самым полезным оказался отдельный слой с фактическими датами занятий. Дата начала курса не всегда помогает найти занятия на следующей неделе: многодневный курс мог начаться месяц назад и при этом продолжаться сейчас. Поэтому календарь занятий я вынес отдельно и использовал при построении недельного расписания.
Сам сервер получился обычным Python-приложением. В эксперименте используются FastMCP, драйвер oracledb, python-dotenv для загрузки конфигурации и Uvicorn для HTTP-запуска. Зависимости удобно держать в виртуальном окружении, чтобы они не смешивались с остальными пакетами системы.
mkdir -p ~/mcp-oracle-serv cd ~/mcp-oracle-serv python3 -m venv mcp source mcp/bin/activate cat > requirements.txt <<'EOF' mcp>=1.28,<2 oracledb>=3.3,<4 python-dotenv>=1.0,<2 uvicorn>=0.34,<1 EOF pip install --upgrade pip pip install -r requirements.txt
Параметры подключения вынесены в .env и хранятся отдельно от кода сервера: имя пользователя, пароль, адрес базы и токен доступа. Для HTTP-сервера в моём варианте использовался порт 8083, а MCP endpoint доступен по пути /mcp.
ORACLE_USER=AI_READONLY ORACLE_PASSWORD="<СЕКРЕТ>" ORACLE_DSN=<DB_HOST>:1521/<PDB_SERVICE> MCP_HOST=0.0.0.0 MCP_PORT=8083 MCP_BEARER_TOKEN="<MCP_TOKEN>" MCP_ALLOWED_HOSTS=localhost:8083,127.0.0.1:8083,host.docker.internal:8083
У сервера есть ещё одна важная деталь: проверка Host-заголовка и защита от DNS rebinding. Это не замена сетевым ограничениям или аутентификации, а дополнительный рубеж. Если приложение работает в контейнере, адрес, по которому идёт обращение к хостовой машине, может отличаться от localhost — это нужно учитывать при подключении.
Сам по себе факт, что сервер подключился к базе, ещё не означает, что агент умеет ею пользоваться. Инструменты нужно объявить в коде и описать так, чтобы модель понимала, когда и с какими аргументами их вызывать. В Python это делается декоратором @mcp.tool(). Например, проверка соединения может выглядеть так:
@mcp.tool()
def database_status() -> str:
"""Проверить доступность Oracle и контекст подключения."""
sql = """
SELECT
SYS_CONTEXT('USERENV', 'SESSION_USER') AS SESSION_USER,
SYS_CONTEXT('USERENV', 'CON_NAME') AS CONTAINER_NAME,
SYSDATE AS DATABASE_TIME
FROM dual
"""
return query_json(sql)
Функция query_json в этом примере — вспомогательный код сервера: она открывает соединение, выполняет заранее заданный запрос и возвращает строки в структурированном виде. Модель получает доступ не к SQL-консоли, а к результату работы конкретного инструмента.
В моей конфигурации набор операций выглядел так:
database_status — проверить подключение, пользователя сеанса, контейнер Oracle и время базы.training summary и data_quality_summary — получить сводные количества по типам обучения и проверить полноту связей между записями.search_schedule — найти занятия по названию курса, городу, преподавателю, датам и другим допустимым фильтрам.get_week_schedule — собрать расписание за период и вернуть его готовой Markdown-таблицей.Фильтры дат и текстовые параметры передаются в SQL через bind-переменные, а количество возвращаемых строк ограничивается. Это важнее, чем может показаться на первый взгляд: мы не вставляем произвольный текст из запроса пользователя в SQL и не позволяем модели самой сочинить запрос любой сложности.
На этапе тестирования выяснилось, что запрос «покажи расписание на следующую неделю» нельзя надёжно реализовать простым фильтром по дате начала курса. Если курс стартовал раньше, но занятия продолжаются в выбранный период, он всё равно должен попасть в отчёт.
Поэтому инструмент сначала выбирает занятия, у которых есть фактические даты внутри заданного интервала, и только потом добавляет информацию о курсе и считает слушателей. Для этого используются три сценария:
При подсчёте учитываются уникальные слушатели, отдельно очное и дистанционное обучение. А вот количество дней и даты начала и окончания описывают весь курс, а не только дни внутри выбранной недели. Это пришлось явно проговорить в описании инструмента, иначе модель могла бы трактовать цифры не так, как ожидает пользователь.
MCP-сервер запускается через Uvicorn и публикует Streamable HTTP endpoint /mcp. Для проверки доступности процесса предусмотрен отдельный маршрут /health, который не обращается к содержимому базы. Для вызовов MCP в этой конфигурации проверяется заголовок Authorization: Bearer <token>; без корректного токена сервер возвращает 401 Unauthorized.
# Из каталога проекта, при активном виртуальном окружении python server.py
Я отдельно проверял, что с неверным токеном вызвать инструменты нельзя, а проверка /health не раскрывает данные. Отключать межсетевой экран ради работы MCP не нужно: доступ следует разрешать только с тех узлов и портов, которым он действительно требуется.
Open WebUI
http://host.docker.internal:8083/mcp.Authorization: Bearer <MCP_TOKEN> в настройке подключения.AnythingLLM
В AnythingLLM сервер можно зарегистрировать в конфигурационном файле списка MCP-серверов. Для Streamable HTTP задаются тип подключения, URL и заголовок авторизации:
{
"mcpServers": {
"training-data": {
"type": "streamable",
"url": "http://host.docker.internal:8083/mcp",
"headers": {
"Authorization": "Bearer <MCP_TOKEN>"
}
}
}
}
После изменения конфигурации нужно обновить список серверов в настройках навыков агента и убедиться, что функции MCP отображаются верно.
Потребовались следующие шаги:
database_status и убедиться, что соединение открывается именно под пользователем с ограниченными правами.В результате агент возвращает таблицу с названием курса, числом учебных дней, датами, количеством слушателей, форматом обучения, преподавателем и аудиторией. Когда я впервые получил такой ответ на обычный текстовый вопрос, то был крайне рад и ещё несколько часов терзал модель промтами, проверяя, что вся связка работает как надо.
Вместо прямого доступа модели к базе я получил промежуточный слой с ограниченными правами и понятными операциями. Oracle выполняет SQL-запросы, представления скрывают сложность исходной схемы, MCP-сервер публикует инструменты, а агент выбирает их по смыслу запроса. Каждый компонент делает свою часть работы, и при необходимости его можно проверять отдельно.
Мне хотелось пройти путь самостоятельно, хотя, конечно, в оболочках есть и готовые коннекторы. В моём случае важна была не скорость клика по кнопке, а понимание всей цепочки — от прав пользователя до финальной таблицы в ответе модели. Заодно стало ясно, что подключить ИИ к базе — не значит дать ему пароль от всего хозяйства. Гораздо полезнее заранее решить, какие вопросы он должен уметь задавать данным и предоставить для этого именно такие необходимые инструменты.
И ещё: для всех задач по написанию Python и SQL кода я активно использовал помощь локальной модели, поэтому получился симбиоз, где сама нейросеть помогала строить её инфраструктуру. Полученным результатом остался крайне доволен, а слушатели моих курсов по направлению LLM Alchemy теперь смогут ознакомиться не только с теорией, но и с практикой механизма интеграции реляционных баз данных.
Если вам понравилась данная статья, пишите в ТГ @GeorgeKerimov или на почту georgy.kerimov@fors.ru — в следующий раз расскажу про развёртывание и применение платформ агентских цепочек, а также попробуем развернуть локальные языковые модели на отечественных системах!
Москва, Трифоновский тупик, д. 3
Москва, Графский переулок, д. 14, корп. 2
Москва, Графский переулок, д. 14, корп. 2
Москва, ул. Авиамоторная, д. 8, стр. 12, 5 этаж
Москва, Трифоновский тупик, д. 3
Москва, Графский переулок, д. 14, корп. 2
Москва, Графский переулок, д. 14, корп. 2
Москва, ул. Авиамоторная, д. 8, стр. 12, 5 этаж
Благодарим за ваш запрос.
Мы обязательно
свяжемся с вами!
Благодарим Вас!
Регистрация
прошла успешно.
Ссылка на прямую трансляцию вебинара будет предоставлена накануне мероприятия.