CBCI MCP

CBCI MCP (Model Context Protocol) - ChatBot CI with Dynamic Database Querying

이 패키지는 LLM을 활용한 동적 데이터베이스 질의응답 챗봇 시스템입니다.

설치

pip install cbci-mcp

사용법

기본 사용법

from cbci_mcp import CBCIMCPClient

# 클라이언트 생성
client = CBCIMCPClient()

# 서버 시작
client.start_server()

# 설정 (키워드 인수 지원)
client.setup(config="config.yaml", questions="questions.yaml", schema="schema.yaml")

# 질문하기
answer = client.ask("서울 2023년 학생수")
print(answer)

# 서버 종료
client.stop_server()

설정 파일 예시

config.yaml

# OpenAI API 설정
openai:
  api_key: "your-api-key-here"
  model: "gpt-4"
  temperature: 0.3
  max_tokens: 1000

# 데이터베이스 연결
database:
  host: "your-db-host"
  port: 25010
  user: "your-username"
  password: "your-password"
  database: "your-database"
  db_type: "db2"

# 챗봇 설정
chatbot:
  name: "데이터 분석 어시스턴트"
  show_sql: false
  show_technical_details: false
  max_history: 20

questions.yaml (예시)

qa_pairs:
  - id: "example_students"
    question: "학생수"
    keywords: ["학생수", "학생", "총", "전체"]
    sql_template: |
      SELECT SUM(A.STDNT_NOPE) AS TOTAL_STUDENTS 
      FROM YOUR_TABLE A 
      LEFT JOIN REGION_TABLE B ON A.RGN_CD = B.RGN_CD 
      WHERE 1=1
      {{REGION_FILTER}}
      {{YEAR_FILTER}}
    answer_template: "조건에 맞는 학생수는 {TOTAL_STUDENTS:,}명입니다."
    verified: true

sql_filters:
  REGION_FILTER: "AND B.RGN_NM = '{{RGN_NM}}'"
  YEAR_FILTER: "AND A.CRTR_YR = {{CRTR_YR}}"

matching:
  similarity_threshold: 0.3
  fallback_message: "죄송합니다. 해당 질문에 대한 정보를 찾을 수 없습니다."

schema.yaml (예시)

tables:
  students_table:
    description: "학생수 테이블"
    columns:
      RGN_CD: "지역 코드"
      CRTR_YR: "기준 연도"
      STDNT_NOPE: "학생수"

business_rules:
  join_patterns:
    - "지역 조회시: [데이터테이블] LEFT JOIN REGION_TABLE ON RGN_CD"
  data_structure:
    - "RGN_CD: 지역별 고유코드"
    - "CRTR_YR: 연도별 데이터"

API

CBCIMCPClient

__init__(server_script=None)

• server_script: 서버 스크립트 경로 (기본값: 자동 감지)

start_server()

MCP 서버를 시작합니다.

stop_server()

MCP 서버를 종료합니다.

setup(config="config.yaml", questions="questions.yaml", schema="schema.yaml")

• config: 설정 파일명
• questions: 질문 템플릿 파일명
• schema: 스키마 정보 파일명
• 반환값: 설정 결과 딕셔너리

ask(question)

• question: 질문 문자열
• 반환값: 답변 문자열

get_questions()

• 반환값: 사용 가능한 질문 목록

특징

• LLM 파라미터 추출: 자연어 질문에서 자동으로 연도, 지역, 카테고리 등 추출
• 동적 SQL 생성: 템플릿 기반으로 파라미터에 맞는 SQL 자동 생성
• 유연한 설정: config, questions, schema 파일을 자유롭게 지정 가능
• 키워드 인수 지원: 직관적인 setup 방식
• 확장 가능: 다양한 도메인과 데이터베이스에 적용 가능

의존성

• openai>=1.0.0: OpenAI API 클라이언트
• pandas>=1.5.0: 데이터 처리
• pyyaml>=6.0: YAML 설정 파일 처리
• ibm-db>=3.1.0: DB2 데이터베이스 연결

라이선스

MIT License