1. 为什么要在本地让 DeepSeek 直接查 MySQL
我最近在做一个库存管理的小工具，后台是 MySQL，前端还没写完，但运营同事已经天天在群里问“低于 300 件的商品还有哪些”“上个月哪个客户买了笔记本”。每次都要我手动写 SQL 再截图发过去，效率低得离谱。后来我换了个思路：既然 DeepSeek 能理解自然语言，MySQL 又有标准协议，那能不能让模型自己把“人话”翻译成 SQL 并执行，我只看结果？
这就是 MCP（Model Context Protocol）要解决的问题。MCP 是一套开放协议，专门用来标准化 AI 模型和外部数据源、工具之间的交互方式。你可以把它理解成“AI 世界的 USB 接口”——模型不需要知道每个数据库的驱动怎么装、连接串怎么写，只要按 MCP 约定暴露工具，模型就能调用。DeepSeek 本身支持工具调用（Function Calling），配合 MCP 服务端，就能实现“自然语言进，查询结果出”。
这个方案适合谁？三类人最受益：一是本地开发时不想反复切终端写 SQL 的后端同学；二是需要快速做数据探查、又不想学 SQL 语法的产品/运营；三是想把数据库查询能力集成进自己 Agent 应用的开发者。整个链路跑通后，你问“11 月收入是多少”，DeepSeek 会自动调工具、查订单表、算总和，最后把数字告诉你。
需要提前说明的是，本文所有操作都在本地开发环境完成，数据库连接信息只存在你自己的机器上。MCP 服务端通过标准输入输出和客户端通信，不涉及任何外部网络转发，安全性可控。下面我从环境准备开始，一步步把这条链路搭起来。
2. TaoToken 前置准备：拿到 DeepSeek 的调用凭证
DeepSeek 官方 API 在高峰期偶尔会限流，而且如果你同时想对比 Claude、GPT 等模型做工具调用，一个个申请 Key 很麻烦。我实测下来，用 TaoToken 做统一接入层比较省事——它兼容 OpenAI 的接口格式，DeepSeek 系列模型可以直接调，Base URL 和 Key 一套搞定。
具体操作分三步。第一步，打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 注册账号，邮箱验证后进控制台。第二步，在控制台左侧找到“API Keys”，点“创建新密钥”，复制生成的 sk- 开头的字符串。这个 Key 只显示一次，建议先存到本地环境变量里，别直接写进代码提交到 Git。
第三步，确认你要用的模型 ID。DeepSeek 在 TaoToken 上的模型名通常是deepseek-chat（对话）和deepseek-reasoner（推理）。做数据库查询这种需要工具调用的场景，用deepseek-chat就够了，它对 Function Calling 的支持比较稳定。如果你后面想跑长期编码任务或 Agent 流程，可以了解下 Coding Plan（https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite），额度更划算。
配置环境变量时，Linux/macOS 用export，Windows 用set：
# Linux / macOS export TAOTOKEN_API_KEY="sk-你的密钥" export TAOTOKEN_BASE_URL="https://taotoken.net/api" # Windows PowerShell $env:TAOTOKEN_API_KEY="sk-你的密钥" $env:TAOTOKEN_BASE_URL="https://taotoken.net/api"这里有个坑要注意：Base URL 末尾不要加/v1，TaoToken 的兼容层已经处理了路径映射，加了反而会 404。Key 的权限方面，建议在控制台里给这个 Key 只开“模型调用”权限，不要开“账户管理”，降低泄露风险。如果你还没拿到 Key，可以先到模型对话页面（https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite）手动试几条消息，确认账号能正常调用再继续。
3. 可复制的 MCP 服务端配置：三个工具 + 完整代码
MCP 服务端的核心是暴露工具给模型调用。我设计了三个工具：execute_mysql_query执行任意 SQL、list_tables列出所有表、get_table_schema查看表结构。为什么拆三个而不是只留一个执行 SQL 的？因为 DeepSeek 有幻觉，它可能先入为主认为商品表叫Product，实际你的表叫products，直接执行就报错。有了list_tables和get_table_schema，模型会先查表名和字段，再写 SQL，成功率大幅提升。
先装依赖：
pip install mcp mysql-connector-python openai然后创建mysql_mcp_server.py。数据库配置我放在文件顶部，实际项目建议用环境变量：
import mysql.connector from mysql.connector import Error from mcp.server.fastmcp import FastMCP DB_CONFIG = { "host": "127.0.0.1", "port": 3306, "user": "dev_user", "password": "your_password", "database": "shop_db", } mcp = FastMCP("mysql-query-server") @mcp.tool() def execute_mysql_query(sql_query: str, max_rows: int = 100) -> str: """执行给定的 SQL 查询语句并返回结果或错误信息。 Args: sql_query: 由 LLM 生成的 SQL 查询语句。 max_rows: SELECT 查询返回的最大行数，防止结果过大。 """ connection = None cursor = None try: connection = mysql.connector.connect(**DB_CONFIG) if connection.is_connected(): cursor = connection.cursor(dictionary=True) cursor.execute(sql_query) if cursor.description: results = cursor.fetchmany(max_rows) column_names = [i[0] for i in cursor.description] if not results: return "查询成功执行，但没有返回任何结果。" output = "查询结果:\n" output += ", ".join(column_names) + "\n" output += "-" * len(", ".join(column_names)) + "\n" for row in results: row_values = [ str(row[col]) if row[col] is not None else "NULL" for col in column_names ] output += ", ".join(row_values) + "\n" if cursor.fetchone() is not None: output += f"\n注意：结果超过 {max_rows} 行，已截断。" return output.strip() else: affected_rows = cursor.rowcount connection.commit() return f"操作成功执行。影响的行数: {affected_rows}" except Error as e: if connection and connection.is_connected(): try: connection.rollback() except Error as rb_err: return f"回滚事务时出错: {rb_err}" return f"数据库错误: {e}" except Exception as ex: return f"执行查询时发生未知错误: {ex}" finally: if cursor: cursor.close() if connection and connection.is_connected(): connection.close() @mcp.tool() def list_tables() -> str: """获取当前数据库中所有表的列表。""" return execute_mysql_query(sql_query="SHOW TABLES;") @mcp.tool() def get_table_schema(table_name: str) -> str: """获取指定数据表的结构（列信息）。 Args: table_name: 需要查询结构的数据表名称。 """ if not table_name or not table_name.isidentifier(): return f"错误：无效的表名 '{table_name}'。" sql = f"DESCRIBE `{table_name}`;" return execute_mysql_query(sql_query=sql) if __name__ == "__main__": mcp.run()这段代码里max_rows默认 100，防止模型查全表把上下文撑爆。dictionary=True让结果以字典返回，格式化时更直观。非 SELECT 语句会 commit，SELECT 不会。错误信息直接返回给模型，模型看到“表不存在”会自己调list_tables重试。
接下来是 MCP 客户端的配置。如果你用 Claude Code 或 Cline，它们有标准的 MCP 配置文件。以 Cline 为例，在cline_mcp_settings.json里加：
{ "mcpServers": { "mysql-query": { "command": "python", "args": ["/absolute/path/to/mysql_mcp_server.py"], "env": { "TAOTOKEN_API_KEY": "sk-你的密钥", "TAOTOKEN_BASE_URL": "https://taotoken.net/api" } } } }如果你用 Codex，配置写在~/.codex/auth.json和config.toml里，三件套缺一不可：Base URL 填https://taotoken.net/api，Key 填你的 sk- 字符串，Model ID 填deepseek-chat。Cline 的 MCP 配置里如果同时要调模型和 MCP 服务，记得把模型凭证也放进env，否则客户端启动时会报local proxy failed。
4. 验证请求：从提问到返回结果的完整链路
配置写完后，先单独测 MCP 服务端能不能跑。在终端执行：
python mysql_mcp_server.py如果没报错，说明服务端在等待 stdio 输入。更直观的验证是写一个最小客户端，直接调 DeepSeek 并处理工具调用。创建test_client.py：
import asyncio import json from openai import OpenAI client = OpenAI( api_key="sk-你的密钥", base_url="https://taotoken.net/api", ) TOOLS = [ { "type": "function", "function": { "name": "list_tables", "description": "获取当前数据库中所有表的列表", "parameters": {"type": "object", "properties": {}}, }, }, { "type": "function", "function": { "name": "get_table_schema", "description": "获取指定数据表的结构", "parameters": { "type": "object", "properties": { "table_name": {"type": "string", "description": "表名"} }, "required": ["table_name"], }, }, }, { "type": "function", "function": { "name": "execute_mysql_query", "description": "执行 SQL 查询并返回结果", "parameters": { "type": "object", "properties": { "sql_query": {"type": "string", "description": "SQL 语句"} }, "required": ["sql_query"], }, }, }, ] async def chat(prompt): messages = [{"role": "user", "content": prompt}] response = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=TOOLS, tool_choice="auto", ) msg = response.choices[0].message if msg.tool_calls: for tc in msg.tool_calls: print(f"模型请求调用: {tc.function.name}") print(f"参数: {tc.function.arguments}") else: print(f"直接回复: {msg.content}") asyncio.run(chat("数据库里有哪些表？"))运行后你会看到类似输出：
模型请求调用: list_tables 参数: {}这说明 DeepSeek 正确识别了工具并生成了调用请求。接下来把工具执行结果回传，模型就能给出自然语言答案。完整链路是：用户提问 → DeepSeek 返回 tool_calls → 客户端执行 MCP 工具 → 结果作为 tool 角色消息回传 → DeepSeek 生成最终回复。如果模型连续调多个工具（比如先list_tables再get_table_schema再execute_mysql_query），客户端要用循环处理，直到模型不再返回 tool_calls。
实测一个多表查询场景：问“哪些客户购买了笔记本电脑，列出邮箱”。DeepSeek 会先调list_tables看到customers、orders、products，再调get_table_schema确认字段，最后写 JOIN 查询。整个过程不需要你手写一行 SQL。
5. 本篇常见错误排查：401、local proxy failed、reading choices
配置过程中最容易卡在几个报错上，我逐个说下排查思路。
401 Unauthorized：九成是 Key 的问题。先确认TAOTOKEN_API_KEY环境变量有没有生效，在 Python 里print(os.environ.get("TAOTOKEN_API_KEY"))看是不是 None。如果 Key 正确还报 401，检查 Base URL 是不是写成了https://taotoken.net/api/v1，多写的/v1会导致鉴权路径错位。另外 Key 如果被控制台禁用或额度耗尽也会 401，去 API Keys 页面（https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite）确认状态。
local proxy failed：这个报错通常出现在 Cline 或 Claude Code 启动 MCP 服务时。原因是客户端尝试用本地代理转发请求，但代理进程没起来或端口被占。排查方法：先确认mysql_mcp_server.py能独立运行不报错；再检查 MCP 配置里的command路径是不是绝对路径，相对路径在客户端工作目录下会找不到文件；最后看env里有没有把TAOTOKEN_BASE_URL传进去，缺了它客户端不知道往哪发请求。
Error reading choices / choices 字段为空：这个报错说明 API 返回体里没有choices数组，通常是模型名写错了。比如把deepseek-chat写成了deepseek，TaoToken 会返回错误结构。确认 Model ID 拼写，DeepSeek 系列在 TaoToken 上的标准名是deepseek-chat和deepseek-reasoner。如果用的是 Claude Code 做润色类任务，注意 Claude Code 的配置文件和 DeepSeek 不通用，需要单独在settings.json里指定 Anthropic 格式的 Base URL。
OAuth 相关报错：如果你在 Claude Code 里看到 OAuth token 失效，那是因为 Claude Code 默认走 Anthropic 官方鉴权。要切到 TaoToken，需要在 Claude Code 的配置文件里把ANTHROPIC_BASE_URL指向https://taotoken.net/api，同时把ANTHROPIC_API_KEY设成你的 sk- 密钥。ClaudeCodeAnthropic 的接入文档（https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite）里有完整的 settings 片段，照着改就行。
工具调用死循环：模型反复调同一个工具不返回结果。原因是工具返回的错误信息不够明确，模型不知道下一步该干嘛。比如execute_mysql_query返回“数据库错误”但没说是表不存在还是语法错，模型就会重试。改进方法是把 MySQL 的原始错误信息完整返回，模型看到“Table 'shop_db.Product' doesn't exist”就会去调list_tables。
6. 把这条链路用起来：从查询到 Agent 的延伸
跑通基础查询后，你可以把 MCP 服务端挂到更复杂的 Agent 流程里。比如做一个“每日库存预警”脚本：定时用 DeepSeek 查低于阈值的商品，自动生成补货建议发到群里。这时候 MCP 服务端不用改，只需要在客户端侧加定时任务和消息推送。
如果你要长期跑编码类 Agent 任务，建议了解下 Coding Plan（https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite），它的额度模型更适合高频工具调用场景。模型对话页面（https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite）可以快速验证 DeepSeek 对复杂 SQL 的理解能力，接入文档（https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite）里有 MCP 和各类客户端的完整配置示例。
最后提醒一个安全细节：MCP 服务端的数据库账号建议只给 SELECT 权限，除非你明确需要模型执行写操作。execute_mysql_query虽然能跑 INSERT/UPDATE，但生产环境最好在服务端加一层 SQL 白名单校验，只放行 SELECT 和 SHOW 类语句。本地开发图省事可以全开，上线前一定要收紧。
