跳到正文
阿里雲開發者社區 AI·· 2 天前AI 評分49

Trae 與 NLQPRE MCP 開發智能問數應用的實踐

Trae+ NLQ 开发智能问数应用的实践

AI 導讀

Trae 使用潤乾 NLQ 的 NLQPRE MCP 和 nlqpre 技能,從資料庫生成智能問數所需的 lmd 元數據、nlq 詞典及測試例句,並透過測試與迭代調優驗證查詢結果。實踐案例使用 17 個表、97 個字段和 10 個聚合指標,生成 65 條例句,調優後全部符合預期。全程約需 2~4 小時。

正文

简介: 本文介绍如何利用润乾NLQ的NLQPRE MCP与TRAE智能体,从零构建智能问数系统:自动连接数据库、生成元数据(lmd)和汉语词典(nlq)、创建测试例句,并通过多轮调优确保自然语言查询准确执行。

本文介绍了用润乾NLQ 中的 NLQPRE MCP,辅助智能问数部署的过程。这里使用 Trae 作为智能体,使用 nlqpre 技能,从基础数据源出发,从零开始构建智能问数所需的元数据和汉语词典,同时针对实际数据生成测试例句。经过技能中的调优处理,通过对元数据和汉语词典的修改,使得所有的例句均能够得到正确的查询结果。

1 NLQPRE MCP 及 SKILL 说明
1.1 NLQPRE MCP 的启动和配置
润乾NLQ 的 IDE 中集成了 MCP 服务,它可以与 AI 智能体连接,实现 lmd 元数据文件、nlq 词典文件的验证,以及查询测试的功能。使用这个 MCP 服务,可以辅助处理智能问数的上线准备。

在汉语查询(NLQ20260916 或更新版本)的 IDE 界面中:点击 服务 -> 启动 MCP 服务,即可以启动集成的 MCP 服务:
a8394f9ef1f482cb328a03336bcc9cd1_1795078318152100.png
成功启动时,能看到弹窗提示,同时可以在系统消息输出中看到MCP 启动的相关信息:
1d04093f62f3997072402088794545c8_1795078318485100.png
c3d1ae7643a8a27ff923de94c318b355_1795078318560100.png
MCP 提供三个基本工具:
image.png
nlqpre SKILL 将在智能体中,根据用户提供的任务信息,自动连接 MCP 并按进程自动生成参数,调用需要工具。

在TRAE 配置名为 NLQPRE-MCP 的 MCP 连接:
4d037f81bf67526d812e87fe44da63f7_1795078318634100.png
配置信息如下:

{

  "mcpServers": {

    "NLQPRE-MCP": {

      "url": "http://127.0.0.1:8718/mcp"

    }

  }

}

默认的MCP 服务名称为 NLQPRE-MCP,如果改变这个名称,则需要修改技能中有关 MCP 名称的信息。配置成功后,如果能正常连接,右侧将显示为绿色:
12fa81533fd36fad5575fd544f152fbf_1795078318719100.png
1.2 nlqpre SKILL 在 TRAE 的安装
1.2.1 技能包信息
在润乾报表(含NLQ 查询的版本)中,[产品路径]\report\prompts\nlq下找到文件nlqpreskill.zip,内容如下:
9bbe0ca8231c3e503892dea6790f1e04_1795078318798100.png
在nlqpre 路径中为技能使用的所有文件,SKILL.md 为技能主文件:
fad84bb35a50cd9c32e192f67ca37f0a_1795078315327100.png
在references 路径中则为技能相关文件:
1035c1963a9924c4c5454e47beb36710_1795078315863100.png
即可用这个压缩包在豆包中安装技能。

1.2.2 在 TRAE 中使用任务安装技能
在TRAE的侧边栏中选择「新任务」:
cac9330f225eeddbb6eace1f1310b5be_1795078315924100.png
在任务描述中输入:帮我安装一个技能,zip 在 D:\raqsoft\report\prompts\nlq\nlqpreskill.zip,安装后技能名叫 nlqpre。
a5ddff3d9de90d1497c3d0c966ffe68f_1795078315979100.png
等TRAE 安装技能成功后,通常会需要重新启动 TRAE。在重启后,点击「插件市场」→「管理」→「技能」→「个人」,既可以看到新的技能:

d9c829abb81e6825ccae02e2e7b9bc16_1795078316047100.png
1.3 SKILL 文件体系
技能目录建议按以下结构组织:

Nlqpre

├── SKILL.md          # 主技能文件(触发词、流程、规则)

└── references/

    ├── example.md    # NLQ 例句 HTML 生成模板

    ├── lmd-schema.md  # lmd 元数据文件格式说明

    ├── metric-design   # 聚合指标的生成规则与方案

    └── nlq-schema.md   # nlq 词典文件格式说明

2 nlqpre SKILL 的应用流程
2.1 流程图
A. 任务准备
0708f679ac3d7f74bf0605bd57e5e90d_1795078316141100.png
B. 文件生成和上传
25118ebbcdd7931377e79eaa62681544_1795078316209100.png
C. 测试和调优
876c59fce17b8e41c58a2c978911cb0b_1795078316302100.png
2.2 流程介绍
Step1:确认输入

获取任务信息,在最初的任务需求中,最基础的需求是提供初始数据库信息、应用名称、输出路径。同时还可以增加一些特别需求,包括从数据库中选表,设置映射信息,以及生成聚合指标。

数据源信息包括url、用户名、密码以及 JDBC 驱动文件,如果本地已有可以指明路径,否则 AI 会自行下载。

应用名称在MCP 生成查询测试时作为 DQL 服务名称使用,如果已存在则会覆盖已有的。已有的服务通常在[产品路径]\report\services下,MCP 生成测试查询服务时也会在这里。

输出路径用来存储智能体输出的各类文件,如果需要查看lmd 或者 nlq 文件,也建议在输出路径。

如果任务提示词中要求选表,在技能处理流程中可以选择在智能查数中使用哪些表;否则会选择数据源中的全部表。

如果任务提示词中要求设置映射初始信息,在技能处理流程中可以设置表、字段和常数词等对应哪些初始的词;如果未设置则这些词由AI 自动生成。

如果任务提示词中要求生成聚合指标,则会根据选用表的情况,生成聚合指标;如果未设置则不会生成聚合指标。

Step2:获取数据库元数据(AI 自动执行)

AI 用 JDBC 连接初始数据库,读取表名、字段、主键、外键、枚举值等信息。
Step3:用户设置选表及映射(选表及设置映射时执行,不需要则跳过)

AI 根据 step2 的结果,在输出路径下,生成 xxx_table.csv,xxx_names.csv,xxx_enums.csv 三个文件的草稿,并暂停等待用户编辑后确认继续。

编辑tables.csv 可设置需要选用哪些表,在表名后设置是否使用。编辑 names.csv 可设置表名和字段名对应的初始名称,如“EMPID”需要识别为“员工号”,“雇员编码”等。编辑 enums.csv 可设置枚举型常数词的城市名称,如“北京”需要识别为“北京”,“北京市”,“首都”等。

用户编辑完成后,选择继续执行任务或输入”已完成“。

用户输入后,AI 将判断输入的合法性,如果有问题则会要求修改后继续。

Step4:生成 lmd 元数据文件(AI 自动执行)

AI 根据元数据生成json 格式的<appName>.lmd。如果执行了step3 则会参考设置的信息,否则会由 AI 自动分析。

Step5:上传 lmd 到 MCP(AI 自动执行)

AI 调用 MCP 的 save_json 上传 lmd 文件,如果上传未成功则判断问题,重新连接或者返回 step4 重新修改 lmd,如果执行失败超过 3 次则停止任务,提示错误信息要求用户修改;如果上传成功则继续执行。

Step6:生成 nlq 词典(AI 自动执行)

AI 根据元数据生成json 格式的<appName>.nlq。如果执行了step3 则会参考设置的信息,否则会由 AI 自动分析。

Step7:生成聚合指标(选择生成指标时执行,不需要则跳过)

AI 自动分析表中字段的信息,在输出路径中生成指标建议.json,用户可以修改或者增删需要添加的指标,确认后AI 将在 nlq 中增加指标信息。

Step8:上传 nlq 到 MCP(AI 自动执行)

AI 调用 MCP 的 save_json 上传 lmd 文件,如果上传未成功则判断问题,重新连接或者返回 step6 重新修改 nlq,如果执行失败超过 3 次则停止任务,提示错误信息要求用户修改;如果上传成功则继续执行。

Step9:加载查询服务(AI 自动执行)

AI 调用MCP 的 load_query_service 加载查询服务,加载成功则执行冒烟测试,调用 MCP 的 query_by_nl 来查询几条基本语句,

如果查询服务加载失败或者冒烟测试失败,则停止任务并报告MCP 错误。

Step10:全量例句测试 + 生成 HTML 报告(AI 自动执行)

AI 自动生成 30-50 条例句,例句包括单表查询、实体计数、维值过滤、数值条件、聚合、日期条件、复合条件等,如果 nlq 中生成了聚合指标还会生成指标对应例句。

根据例句测试结果,AI 会输出 HTML 报告,报告中包括例句、执行情况以及总览信息。

Step11:迭代调优

上一步获得html 报告后,可以根据例句的执行情况,查看对应的 lmd 或者 nlq 提出修改建议,或者只要求 AI 去迭代尝试修改。迭代时 AI 会根据例句的错误信息,修改 nlq 中的设置,重新上传 nlq、重启查询服务后,再重测例句生成新的测试报告。

3 用 TRAE 开发 NLQ 查询的实践示例
下面用一个实际的例子来了解如何在trae 中使用 nlqpre 技能,准备 lmd 和 nlq 文件,以及基本例句。下面将按全部处理的流程来举例,如果不需要选表或者不需要生成聚合指标,则会跳过相应步骤。

3.1 任务准备
Step1:确认输入

输入:数据源url:jdbc:hsqldb:hsql://127.0.0.1/dqldemo,用户 sa,无密码,驱动用 hsqldb-2.7.3。以这个数据源为基础,生成 lmd 和 nlq 文件,应用名称名称是 testDQL。需要选表、设置映射初始信息,以及生成聚合指标。

Step2:获取数据库元数据
0a856c8e88d2de3ecdbceb490ad8b4eb_1795078316383100.png
102b396288a3d2dd6d63f2aff1b8b066_1795078316463100.png
26d725b11c75bf111c5578f70b8fd942_1795078316527100.png
dcd0fa789f3c4abaa52cafff2453bd97_1795078316589100.png
Step3:用户设置选表及映射(选表及设置映射时执行,不需要则跳过)

通过编辑这个文件,可以选择使用哪些表来执行。提交后,会继续生成映射文件,如果不需要改变,则可以直接继续。
c2842ad1c4153ec38fdac3c42b3c70eb_1795078316657100.png
选择表后,在输出路径下会生成中文名映射的初始文件,可以按照需要修改初始映射值,如果不修改,或者最开始未选择处理映射,则全部自动生成。

3.2 文件生成和上传
Step4:生成 lmd 元数据文件

Step5:上传 lmd 到 MCP

Step6:生成 nlq 词典
ecb7a3dd5f9b10ffc233887304d01df6_1795078316724100.png
Step7:生成聚合指标(选择生成指标时执行,不需要则跳过)

如果lmd 或者 nlq 上传到 MCP 时出现问题,则会修改后重新上传。nlq 初步生成后,如果选择了生成指标,则需要用户确认指标信息后继续。指标建议文件如下:

b7f4ee318dd4df7b52bb0f94646eba67_1795078316799100.png
自动生成的指标中已自动生成指标函数,如有增删或者修改需要,则修改后继续即可。

Step8:上传 nlq 到 MCP

完全生成nlq 后会自动上传到 MCP。

3.3 测试和调优
Step9:加载查询服务

在lmd 和 nlq 成功上传到 MCP 后,SKILL 会自动启动 MCP 中的查询服务,并在通过冒烟测试后,开始生成测试例句并分析结果。
fa59f1450a52d55a1407b445740f2c82_1795078316865100.png
Step10:全量例句测试 + 生成 HTML 报告

Step11:迭代调优
56c1cafb0c6b2fb5e66a1a1db74e3c5c_1795078317015100.png
例句测试时,如果通过率不足会自动执行调优,这种规则也可以自行设置。

根据人工查看当前的nlq 词典,可以更准确地定位例句的错误信息,输入后可让 AI 继续修改测试。

测试完成后,在TRAE 中也可以用”查询:“开头,再输入所需查询的复杂例句,进一步验证查询结果,如输入”查询:各客户 订单数 (前 3 笔订单均订单金额),结果如下:
2553475b76a7878f7a23b6d50ada6090_1795078317166100.png
3.4 测试报告
等调优结果满意后,可以查看最终的测试报告:

da79e6db4e809efc00d1008c7e829a06_1795078317253100.png
d1a50791e55cc2f5902c6978ea8d40a4_1795078317340100.png
ba3070f1f9a004432bd11241efe09939_1795078317428100.png
f3a19b55ec255a36fef298da998fd7e9_1795078317500100.png
9c0542e367e3d61a5f2445dab1313b28_1795078317573100.png
23425432ff668db38fd47c5caf63f44f_1795078317647100.png
f037941f4f25d665dc9dda2b911c5d72_1795078317717100.png
4f24caa7e1ec6c52736eddb66675d395_1795078317789100.png
e48f126e387e6097380b5c21c1277f59_1795078317963100.png
e0c2a80539d1c16e828f08f51e7a441f_1795078318072100.png
e8f838b358bac1ebf535d4f47bb3c5b5_1795078318266100.png
72e24fb86a375fd01618bc07ad7fd6b9_1795078318340100.png
914bc8253015d697f8c4b175564e77cb_1795078318419100.png
可以看到,例句中除了各类查询例句、指标相关例句之外,还会测试一些期待失败的错误查询。

3.5 任务总结
根据数据复杂程度和调优的执行轮数,全任务耗时大概在2~4 小时。

在这个实践示例中,虽然选择了“选表”和“设置映射”的环节,但是都是使用 AI 推荐的设置,如果需要人工处理,则需要在相应的步骤对 tables.csv,names.csv,enums.csv 和指标建议.json 编辑修改。

在测试和调优阶段,如果查看生成路径中的nlq 文件,针对每一轮的测试报告中的错误例句,提出有效的修改意见,如“缺少某个词”等,可以有效提升调优效率。

此时,输出路径中的lmd 文件和 nlq 文件,即可用于部署智能查数的服务。

本例中,最终共使用了17 个表,生成了 97 个字段(包括跨表宏字段),10 个聚合指标。共生成各类词,包括表词、字段词、指标词等,超过 500 个。共生成各类例句 65 条,调优后全部符合预期结果。

來源:阿里雲開發者社區 AI · developer.aliyun.com