我要投稿

国人AI IDE神器Trae+MCP实现知识库检索精度暴涨300%【喂饭级教程】

发布日期：2025-04-22 11:59:09 浏览次数： 1658 作者：袋鼠帝AI客栈

但是很多朋友可能都面临一个痛点：

就是满怀期待的把资料“投喂”进知识库后，以为大模型能把所有资料完整“消化吸收”了。结果一测试发现问答效果不尽如人意。

咱们得先明白，RAG它不是银弹，不是全能的，它也有局限性，并不适合所有场景。

RAG的原理其实网上已经有非常多的资料了，这里就不详细赘述了。

下面这个图，形象的展示了RAG的工作原理

我们先探讨一下RAG的局限性：

1.文件分片：文件分片本身不是局限性，但是分片导致原本连贯的内容被分割，就会导致后期检索到的内容信息缺失。

2.检索不精确：因为RAG是使用向量比对的方式（数学的维度）来查询语义相近的内容，但是这也会导致有时候匹配的内容可能并不是我们想要的信息。

3.没有全局概念：由于知识库里面的文件都是分片存储，每次回答只会检索部分内容，所以，很难准确回答一些全局性的问题（或者说统计型的问题），比如知识库中的老师一共有多少位，一季度有多少个订单等等。

第一个问题（文件分片导致上下文丢失）其实在我之前的一篇文章里面已经给出了一个解决方案。

就是大力出奇迹：使用超长上下文的模型，把相关的不相关的内容出来都检索丢进去，给大模型自己判别，所以这个模型还必须有超强的"大海捞针"能力。感兴趣的朋友可以看看。

超长上下文开源模型minimax-01，支持400万tokens
dify%20v1.1.0%E6%8E%A5%E5%85%A5%E8%BF%99%E4%B8%AA%E5%BC%80%E6%BA%90LLM%EF%BC%8C%E7%9F%A5%E8%AF%86%E5%BA%93%E6%95%88%E6%9E%9C%E7%9B%B4%E6%8E%A5%E8%B5%B7%E9%A3%9E%EF%BC%8C%E7%9C%9F%E5%8F%AF%E4%BB%A5%E5%B0%81%E7%A5%9E%E4%BA%86%EF%BC%81%E3%80%90%E5%96%82%E9%A5%AD%E7%BA%A7%E6%95%99%E7%A8%8B%E3%80%91%22%2C%22url%22%3A%22https%3A%2F%2Fmp.weixin.qq.com%2Fs%2F7y6ep0UJkZLvcvaowrilog%22%2C%22nickname%22%3A%22%E8%A2%8B%E9%BC%A0%E5%B8%9DAI%E5%AE%A2%E6%A0%88%22%2C%22authorName%22%3A%22%E8%A2%8B%E9%BC%A0%E5%B8%9D%22%7D%7D">袋鼠帝，公众号：袋鼠帝AI客栈dify v1.1.0接入这个开源LLM，知识库效果直接起飞，真可以封神了！【喂饭级教程】

那么剩下的两个问题，可以搭配传统的数据库来解决。

其实一个月前就有朋友给我提过这个方案。

但是，那时候，我觉得这个方案还没有很成熟，而且操作起来较为繁琐，所以就一直没有分享。

直到最近MCP的大火，至少让AI大模型接入数据库的门槛又降低不少。

以及我平时最最喜欢用的字节旗下的AI IDE神器：Trae，终于终于支持MCP了！

国内版Trae下载地址：

https://www.trae.com.cn/

海外版Trae下载地址（需要科学上网）：

https://www.trae.ai/

它直接就内置了数据库的MCP-Server，这意味着我们可以通过MCP把数据库一键接入大模型。

本期将主要以PostgreSQL这个简单、轻量的关系型数据库为例，带大家接入（同时它应该也能满足大部分的使用场景了）。

声明，数据库方案更适合表格类型的数据，文本建议参考“大力出奇迹方案“

另外使用Trae的MCP能力，也需要先在本地安装Python环境、Node环境（这块网上资料很多），也可以问AI～

好了，接下来我们开始喂饭。

一、安装PostgreSQL

PostgreSQL官网下载地址：

https://www.postgresql.org/download/

自行选择合适的平台下载即可（跟着流程点点点）

然后我们在安装一个图形化界面，方便操作数据库。

我们选择这个免费的dbeaver

下载地址：https://dbeaver.io/download/

打开dbeaver，点击右上角的小+号，选中PostgreSQL添加

其他默认配置即可，在下图，我们只需要填上安装PostgreSQL过程中的自己设置的密码，点击完成

添加好本地的PostgreSQL之后，左边会出现一个小图标，双击一下连接数据库。

可能会要求安装连接数据库的相关驱动，跟着步骤安装即可

驱动安装成功之后，可以看到数据库大象图标那里有个小勾。

Trae中配置PostgreSQL MCP

打开Trae，按照下图方式，如果第一次没有MCP，会提示需要添加MCP

接着就进入到MCP市场了，添加PostgreSQL

这里特别注意

上面复制的PostgreSQL url不能直接粘贴使用，需要参考它给出的格式调整一下

postgresql://postgres:密码@127.0.0.1:5432/postgres

其他的都一样，大家把连接中的密码改成自己的就行

上一步，点击确认后

使用mac的朋友如果报这种错，说明相关路径没有权限

可以在终端运行一下这个命令：

sudochown-R $(whoami) ~/.npm

PS：其他任何报错都可以丢给Trae，让AI帮你解决

直到PostgreSQL MCP变为可使用状态，就代表配置好了

并且，为了安全，只提供了查询功能，无法进行增、删、改。

测试PostgreSQL MCP效果

接下来我们需要把测试数据导入PostgreSQL中

我准备了一个Excel表格

是我之前在某宝爬取的一些内存条商品信息，一共135行

咱们直接用前两天刚刚发布的「扣子空间」，让它把这个表格转为可直接导入PostgreSQL的sql文件。

提示词：

我想把这个Excel导入PostgreSQL（表需要新建），根据这个Excel的内容，帮我生成导入所需的sql文件，记得把列名翻译成英文，考虑字段的字符串长度是否够等因素，生成后供我下载。

说实话，扣子空间真挺好用的，半分钟不到就搞定了

如果是在以前，估计得写代码，或者用Excel表达式吭哧吭哧搞半天

直接把生成的sql文件下载下来

按照下图的步骤，把数据导入PostgreSQL数据库中

可以按下图方式查看导入成功的数据

然后我们就可以开始在Trae中测试了

注意：由于大模型并不知道表格的结构和信息，我们需要把表格结构连同问题一起发过去（如果是智能体就可以把表格结构放到系统提示词中）

表格结构在之前生成的sql文件里面可以找到（如下图红框中这段）

查询结果完全正确～

这个方案是由大模型写sql语句来进行查询，所以，查询精度是可以保证的。

亲测，Claude3.7还是比新版DeepSeek好用。。。至少sql语句写的更符合要求。

这个方案还可以结合RAG一起用：比如做一个工作流，搞一个大模型在最前面判断，用户问题如果是全局，或者统计性质的，就走数据库。否则就走RAG，这样结合起来，将会极大的提升整个知识库的检索精度。

写到这里，我不经想起当年刚做程序员的时候，有几个月每天都写各种复杂的sql，从生疏，到炉火纯青，现在看来好像没有多大用处了，因为AI完全可以秒出。

不经感叹，技术发展的真快，而我们，好像只能不断紧跟时代的步伐，才不至于被淘汰。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-04-30

HiRAG:基于层级知识索引和检索的高精度RAG

2025-04-29

教程|通义Qwen 3 +Milvus，混合推理模型才是优化RAG成本的最佳范式

2025-04-29

RAG开发框架LangChain与LlamaIndex对比解析：谁更适合你的AI应用？

2025-04-29

RAG性能暴增20%！清华等推出“以笔记为中心”的深度检索增强生成框架，复杂问答效果飙升

2025-04-29

超神了，ChatWiki 支持GraphRAG，让 AI 具备垂直深度推理能力！

2025-04-29

AI 产品思维：我如何把一个 AI 应用从基础 RAG 升级到 multi-agent 架构

2025-04-29

做好 AI Agent 最重要的是什么？

2025-04-29

颠覆传统RAG，创新大模型检索增强—Insight-RAG

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

一文彻底搞懂大模型 - RAG（检索、增强、生成）

2024-09-04

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

RAG框架，都在这了!

2024-06-20

RAG 高效应用指南：Embedding 模型的选择和微调

2024-06-13

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

微软开源的GraphRAG解读

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

大家都在问

RAG开发框架LangChain与LlamaIndex对比解析：谁更适合你的AI应用？

2025-04-29

做好 AI Agent 最重要的是什么？

2025-04-29

RAG比之MCP或长上下文LLM，要没落了吗？

2025-04-26

HR AI小科普——什么是MCP？

2025-04-25

RAG应用必备！10种向量数据库全解析、Weaviate、Milvus、pgvector、Qdrant等热门工具谁更强？

2025-04-22

18种RAG技术大比拼：谁才是检索增强生成的最佳选择？

2025-04-22

大模型能像专业分析师一样提取用户需求吗？

2025-04-20

RAG vs. CAG vs. Fine-Tuning：如何为你的大语言模型选择最合适的“脑力升级”？

2025-04-19

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB