该文章讨论了企业将 AI 集成到业务系统时面临的挑战，并介绍了模型上下文协议 (MCP) 与 SQL 连接器结合使用的解决方案。通过 SQL 连接器将企业系统转化为 SQL 数据库，MCP 充当 LLM 和连接器之间的安全桥梁，实现 AI 安全访问和处理企业数据。
译自：MCP + SQL: The Secret Weapon To Connect AI to Enterprise Systems
作者：Manish Patel
“我们花了四个月和五十万美元试图将我们的 AI 连接到我们的业务系统，但它仍然无法可靠地提取基本的客户数据。” 在我们的视频通话中，CTO 的沮丧之情显而易见。他的公司和许多其他公司面临着同样的问题：使 AI 具有超能力的所需数据存在于企业应用程序中，而这些企业应用程序不容易连接到 AI 流程和代理。
作为 CData 的首席产品官，我听过这样的故事很多次了。 各公司竞相实施 AI 代理，却碰壁于同一个问题：他们的数据存在于 Salesforce、SAP、Oracle、自定义数据库和无数其他系统中。 每个系统都需要定制的集成工作，即便如此，安全和治理方面的挑战似乎也难以克服。
“如果我告诉你，”我说，“你的 AI 已经知道如何与所有这些系统对话了？ 它只需要一个合适的翻译。” 那次对话促成了一个试点项目，该项目将改变他们（以及最终数十家其他企业）处理 AI 集成的方式。 秘诀是什么？ 将模型上下文协议 (MCP) 与 CData 连接器集成，旨在建立 AI 和企业系统之间标准化的通信方法。
企业 AI 集成的噩梦
让我描绘一幅企业在尝试将 AI 连接到其数据时面临的景象。 他们有：
- Salesforce 中的客户数据。
- SAP 中的财务记录。
- 自定义 PostgreSQL 数据库中的库存。
- Snowflake 中的分析。
- 文档分散在 Google Drive 和 SharePoint 中。
每个系统都有自己的 API、身份验证方法和怪癖。 教 AI 说所有这些语言就像要求一个人一夜之间精通 50 种不同的方言。
更糟糕的是：即使你设法构建了所有这些集成，你也创造了一个安全和维护的噩梦。 你如何确保 AI 只能访问用户有权查看的数据？ 你如何跟踪它在所有这些系统中所做的事情？ 你如何跟上 API 的变化？ 你如何确保 API 中提供的所有相关数据都已公开？
MCP + SQL：意想不到的强大组合
我们意识到，通过结合以下两件事，我们可以帮助部署连接到企业数据的 AI：
首先，大型语言模型 (LLM) 在 SQL 方面出奇地出色。 为什么？ 因为他们接受了来自文档、论坛和代码存储库的数百万个 SQL 示例的培训。 SQL 是标准化的、逻辑的和基于模式的——这正是 LLM 擅长的。
其次，模型上下文协议 (MCP) 提供了一种安全、标准化的方式，供 LLM 与外部工具和数据源交互。 可以把它想象成一个通用适配器，让 AI 系统可以安全地连接到你的业务工具。
以下是我们如何为我们的企业客户实现这一目标：
第一步：部署 SQL 连接器。 CData 连接器使任何业务系统看起来都像 SQL 数据库。 例如，Salesforce 连接器将 API 调用转换为 SQL 表。 突然，查询客户数据变得像这样简单：
SELECT * FROM Customers WHERE Region = ‘Northeast’
AND LastOrderDate < DATEADD(month, -6, GETDATE())
第二步：实施 MCP。 MCP 充当 LLM 和这些连接器之间的安全桥梁。 当 AI 需要数据时，它会：
- 生成适当的 SQL 查询。
- 通过 MCP 将其发送到正确的连接器。
- 接收标准化格式的结果。
- 处理并根据信息采取行动。
第三步：强制执行安全 这至关重要。 MCP 确保每个查询都使用当前用户的凭据运行。 如果用户无法在 Salesforce 中看到某些客户记录，那么当 AI 代表该用户工作时，也无法看到这些记录。 没有特殊的 AI 权限，没有安全后门。
实际影响：从理论到实践
让我分享一个具体的例子。 我们的销售团队需要识别有风险的客户并创建个性化的外展活动。 以前，这需要：
- 手动检查多个系统。
- 在应用程序之间复制数据。
- 撰写个人电子邮件。
- 将活动记录回 CRM。
总时间：每个销售代表每天 2-3 小时。
借助由 MCP 驱动的 AI 代理，现在同一任务的工作方式如下：
- 销售代表问：“查找我 90 天内没有参与的客户，并起草重新参与的电子邮件。”
- AI 为 CRM、电子邮件和活动数据生成 SQL 查询。
- MCP 使用代表的凭据安全地从每个系统获取数据。
- AI 分析模式并起草个性化电子邮件。
- 代表审查并批准电子邮件。
- AI 使用外展活动更新 CRM。
总时间：15 分钟。
但真正让我兴奋的是——这不仅仅是读取操作。 AI 现在可以：
- 更新 Salesforce 中的商机阶段。
- 在项目管理工具中创建任务。
- 修改库存水平（需要批准）。
- 生成和存储报告。
所有这些都维护了每个操作的完整审计跟踪。
经验教训和最佳实践
在试验由 MCP 驱动的 AI 代理几个月后，以下是我们学到的：
从只读操作开始。 首先进行数据检索来建立信任。 在启用写入功能之前，让用户看到 AI 提取准确的信息。
实施查询治理。 我们为某些操作构建了一个简单的审批系统。 删除记录？ 更新财务数据？ 这些需要人工确认。
明智地缓存。 并非每个查询都需要实时数据。 我们缓存相对静态的信息（如产品目录），同时保持事务性数据的更新。
监控一切。 MCP 可以轻松记录每个查询和操作。 我们构建了仪表板，显示 AI 访问最多的系统，帮助我们优化性能并识别新的用例。
未来的道路
MCP 和基于 SQL 的连接器的结合从根本上改变了我们对企业 AI 的看法。 现在，我们不再为每个系统构建复杂、脆弱的集成，而是采用了一种可扩展的标准化、安全的方法。
我们目前正在扩展我们专为 AI 代理构建的连接，以处理更复杂的工作流程：
- 跨多个系统的多步骤流程。
- 使用来自多个来源的数据的历史数据进行预测分析。
- 跨数据库的自动合规性检查。
关键的见解是什么？ 你不需要重建整个技术堆栈来利用 AI。 通过使用你的 AI 已经知道的语言 (SQL) 并通过 MCP 提供安全访问，你可以改变你的组织处理数据的方式。
下次有人告诉你将 AI 连接到企业系统需要数月的自定义开发时，请告诉他们关于 MCP 的信息。 更好的是，向他们展示当你改变脚本并建立在已有的基础上时，会发生什么。
想自己尝试 MCP 吗？ 从对单个系统进行只读查询开始。 一旦你看到了 AI 能够实际访问你的数据的力量，你将永远不会再回到复制粘贴工作流程。
