在企业Agent的运行过程中，可能会经常需要访问数据库，比如一个AI客服可能需要查询某订单的状态等。实现这样的Agent工具固然并不复杂，但你可能会遇到诸如工具共享、安全管控、连接池等一系列工程问题。本文将详解来自谷歌公司的开源项目：MCP Toolbox for Databases，看它如何帮助我们更轻松便捷的开发与维护数据库访问的工具。

了解基本概念安装、配置与启动Toolbox Server使用Tools：原生SDK模式使用Tools：MCP模式安全、可观测性、小结

01

了解基本概念

【MCP Toolbox for Databases是什么】

谷歌的MCP Toolbox for Databases是一个开源的数据库访问工具（Tool）服务器。可以让你的AI客户端（比如智能体、IDE等）更简单快速的拥有访问各种数据库的工具。这里的数据库可以是RDBMS、图数据库、缓存，甚至还可以是HTTP访问的数据服务。

尽管名字中带有MCP，但MCP Toolbox for Databases并不依赖于MCP，它诞生在MCP之前，后来添加了对MCP协议访问的兼容性。

借助MCP Toolbox for Databases，你可以：

快速定义访问数据库的工具（Tool）或工具集支持多种常见数据库，比如Postgres、Neo4j、Redis等对这些数据库工具做集中管控、维护、观察与共享在主流的Agent开发框架中快速加载与使用这些工具在支持MCP的客户端中方便的集成与使用这些工具

【它有什么好处】

LLM应用对企业数据库的访问，通常的方案通常是自行开发，比如：

编写函数工具直接用SQL访问数据库将企业现有的微服务/API包装成工具直接借助Text2SQL方案实现自然语言访问

不过在大型企业应用中，这些实现方法存在一些可以预见的问题：

大量分散的工具在企业内难以实现集中管控，并在多个应用或框架间复用一些常见的工程问题会带来额外的成本与隐患，比如安全性与并发性能至于Text2SQL，存在很明显的可靠性不足、权限失控、延时过大等风险

而借助MCP Toolbox for Databases，这些问题可以有效的得到解决或者缓解。当然它也远非万能，一些复杂的数据访问逻辑或许仍然需要传统方案的结合。

【怎么使用它】

MCP Toolbox for Databases目前有两种主要使用方式：

方式1：通过传统HTTP（原生SDK）使用

借助官方提供的客户端集成SDK，可以轻松的在LangGraph、LlamaIndex、Google ADK框架开发的Agent中导入并使用Toolbox Server中的工具。

方式2：通过MCP使用

借助MCP客户端SDK以及开发框架提供的适配器（如langgrap-mcp-adaper），将Toolbox Server作为独立的MCP Server，加载与使用其中的工具。

在MCP访问模式下，有少量功能目前存在限制。

总的建议是：如果你是基于LangGraph、LlamaIndex、ADK框架开发Agent，直接使用SDK访问；其他情况下（如支持MCP的IDE、现有基于MCP的应用等）则使用MCP模式使用。

02

安装、配置与启动Toolbox Server

我们创建一个Demo演示MCP Toolbox for Databases的能力与用法。这个Demo将实现一个简单的ReAct Agent，使用Toolbox Server中的多个工具来完成一些模拟的CRM客户服务中的常见任务。比如订单查询统计、物流状态查询等。原料如下：

Agent框架：LangGraph数据库：PostgresToolbox访问：通过SDK访问LLM：gpt-4o-mini

【1. 准备模拟数据库】

创建一个测试用的Postgres数据库，模拟一些客户服务相关的表，并让AI帮我们生成一些模拟数据：

【2. 安装MCP Toolbox for Databases】

直接在github上下载release版本。与一些MCP Server不同， MCP Toolbox for Databases以可执行的介质（go语言编写）发行：

https://github.com/googleapis/genai-toolbox/releases

下载完成将获得一个toolbox可执行文件，将这个文件拷贝到你的环境下，并增加可执行权限：

chmod u+x toolbox

【3. 配置tools.yaml】

创建一个配置文件tools.yaml，用来定义数据库的连接信息及发布的工具。以下是我们配置文件的一部分：

sources:  # 数据库信息  crm-database:      kind: postgres      host: 127.0.0.1      port: 5432      database: crm      user: postgres      password: yourpasswordtools:  # 通用SQL执行工具  execute_sql_tool:    kind: postgres-execute-sql    source: crm-database    description: 在CRM数据库上执行自定义SQL语句。  # 客户管理工具  search-customer-by-phone:    kind: postgres-sql    source: crm-database    description: 根据电话号码搜索客户。    parameters:      - name: phone        type: string        description: 要搜索的电话号码。    statement: SELECT customer_id, name, phone, email, address, vip_level, registration_date FROM customers WHERE phone ILIKE '%' || $1 || '%';    #....其他自定义工具....toolsets:  crm-customer-management:    - search-customer-by-email    - search-customer-by-phone    - get-customer-stats......

配置信息很好理解：

sources部分：用来定义数据源。这些源将用作下面工具的访问对象。可以是：

关系型数据库如postgres图数据库如neo4j缓存数据库如redisHTTP访问端点，表示一个HTTP Server

tools部分：用来定义多个数据访问的工具。每个工具包括它的类型（kind）、数据源（source）、描述（description）、参数（parameters）、以及具体的数据访问方法。访问方法根据不同的数据源而有所不同：

关系数据库，通常是参数化的SQL语句（statement）。比如上面例子中SQL的$1就代表parameters部分定义的第一个参数；图数据库，比如neo4j，定义访问的参数化的Cypher语句（statement）缓存数据库，比如redis，定义缓存访问的参数化命令（commands）HTTP数据源，定义访问的Method、Path以及参数化的Header、Body等

注意这里kind为postgres-execute-sql的工具无需定义任何SQL，这是一个预置的用来执行任意SQL的工具，但不要在生产环境中开放。

toolsets部分：用来将大量的工具进行分组管理，形成多个工具集。你可以把不同的工具集交给不同的Agent使用或者做不同的安全控制等；

【4.启动Toolbox Server】

在配置完成tools.yaml后，就可以启动Toolbox Server：

./toolbox --tools-file "tools.yaml"

当你看到如下的加载信息后，代表Server启动成功，现在你就可以使用这个Server中的各种工具了！

03

使用Tools：原生SDK模式

Toolbox Server本质上就是一个HTTP Server，用来暴露你定义的工具并提供端点调用。事实上你可以用浏览器查看到工具信息。比如查看以下地址：

http://127.0.0.1:5000/api/tool/execute_sql_tool

你可以直接看到这样的信息：

所以，原生SDK就是通过标准HTTP方法来发现与调用Server中的各种工具。这里我们使用LangChain框架适配的SDK：

pip install toolbox-langchain

接着就可以在LangGraph Agent中来加载使用Toolbox Server中的工具/工具集。核心方法如下：

......async def initialize_agent(self):    """初始化Agent，加载Toolbox工具"""    try:        # toolbox_url比如：http://127.0.0.1:5000        print(f" 正在连接Toolbox 服务器: {self.toolbox_url}")                # 创建 ToolboxClient 实例        client = ToolboxClient(self.toolbox_url)                # 加载指定的工具集，例如 "crm-all-tools"        print(" 正在加载 crm-all-tools 工具集...")        try:            self.tools = await client.aload_toolset("crm-all-tools")        except Exception as toolset_error:              ......                self.agent = create_react_agent(            self.llm,             self.tools,             checkpointer=MemorySaver()        )        ......

通过简单的aload_toolset就可以加载Toolbox Server中你定义的数据访问工具，然后将它交给Agent使用。

对这个Agent做简单测试，以验证工具的可用性（使用流式调用跟踪中间步骤）：

可以看到，Agent调用了两个工具来回答用户的输入问题，并且完美的回答了问题。相对于使用Text2SQL，这种预定义工具牺牲了一定的灵活性，但提供了生产环境下绝对的确定性与准确性。而对于分析环境，常面临较复杂的SQL，也可以把它们固化下来作为工具：

04

使用Tools：MCP模式

通过MCP使用MCP Toolbox for Databases有两种常见场景：

【在IDE（比如Cursor、VSCode）中使用】

这种场景下通常不需要定义tools.yaml，直接使用预构建的工具即可，通常包括list_tables(列出所有表）或者execute_sql(执行任何SQL)工具。所以只需配置MCP Server的启动参数即可，比如：

{  "mcpServers": {    "postgres": {      "command": "./PATH/TO/toolbox",      "args": ["--prebuilt","postgres","--stdio"],      "env": {        "POSTGRES_HOST": "",        "POSTGRES_PORT": "",        "POSTGRES_DATABASE": "",        "POSTGRES_USER": "",        "POSTGRES_PASSWORD": ""      }    }  }}

【在自定义LLM应用中使用】

只需借助MCP官方的Client SDK或langgraph-mcp-adapter这样的框架适配器，就可用标准的方式访问Toolbox Server中的工具。目前支持stdio与sse两种模式。

这里不再做编程展示，我们用MCP官方的调试工具MCP Inspector简单验证Toolbox Server中的工具。首先启动Inspector：

npx @modelcontextprotocol/inspector

然后进入MCP Inspector的Web界面，使用SSE方式连接，并确保URL正确（通常为http://xxxxx:5000/mcp/sse），然后连接。如果连接成功，你可以在右边的Tools页面看到所有Toolbox Server中的工具，然后对其测试：

05

安全、可观测性、小结

以上展示了Google的一个实用开源项目MCP Toolbox for Databases的用法。它可以帮助我们快速构建生成式AI应用所需要的工具，以访问企业中各种数据源中的数据，并提供了良好的性能、兼容性与可管理性。

作为面向企业环境的工具服务器，MCP Toolbox for Databases还提供了一定的安全管控与可观测能力。

目前MCP Toolbox for Databases支持通过Google账号进行OAuth 2.0的认证流程，以获得工具调用的安全令牌。MCP Toolbox for Databases提供了基于OpenTelemetry标准的可观测性，用于进行统一的分布式追踪、指标搜集与日志管理。

期待随着版本的持续迭代，MCP Toolbox for Databases会变得越来越强大易用。

更多AI学习，欢迎私信“交流”