TrueFoundry Accelerator Series: Nahtlose Abfrage strukturierter und unstrukturierter Daten mit MCP-Tools

Auf Geschwindigkeit ausgelegt: ~ 10 ms Latenz, auch unter Last
Unglaublich schnelle Methode zum Erstellen, Verfolgen und Bereitstellen Ihrer Modelle!
- Verarbeitet mehr als 350 RPS auf nur 1 vCPU — kein Tuning erforderlich
- Produktionsbereit mit vollem Unternehmenssupport
In modernen Unternehmen existieren Daten in Silos. CRM-Datensätze, Verkaufszahlen oder Logs sind strukturiert und befinden sich in Datenbanken; Forschungsberichte, Kundenfeedback und Außendienstnotizen sind unstrukturiert und liegen in Dokumentenspeichern. Um beide Welten zu verstehen, verbringen Teams oft Stunden damit, Konnektoren, Pipelines und Analyseskripte zu erstellen.
Aber was wäre, wenn Sie all das mit einer einzigen Schicht vereinen könnten – einer Model Control Plane (MCP) – und alles mit natürlicher Sprache abfragen könnten?
Willkommen zu einer neuen Art, mit Daten zu arbeiten: der Abfrage strukturierter und unstrukturierter Quellen über MCP-Tools.
Was ist eine MCP?
Eine Model Control Plane (MCP) fungiert als Brücke zwischen Ihrem AI Agent und den externen Tools oder Datensystemen, mit denen er interagiert. Sie können sich MCP als das „Betriebssystem“ für Ihre AI Tools vorstellen – es definiert, worauf die AI zugreifen kann, wie und unter welchem Kontext.
Jede MCP verbindet eine spezifische Funktionalität – das könnte ein Datenbank-Konnektor für strukturierte Daten sein, der Database Sharding nutzt, um wachsende Datensätze zu verwalten, ein Dokumenten-Retriever oder sogar ein Code-Executor.
Zum Beispiel: -
- Text-to-SQL Tool → Fragt strukturierte Datenbanken ab.
- RAG Tool → Ruft Informationen aus unstrukturierten Dokumenten-Repositories ab.
- Code Executor → Führt Analyselogik (wie Python) dynamisch aus.
Sobald diese miteinander verdrahtet sind, können Sie buchstäblich fragen: > „Listen Sie die 5 wichtigsten HCPs nach Prioritätsbewertung auf und fassen Sie deren Onkologie-Schwerpunkt aus unseren internen Berichten zusammen.“
Das System führt automatisch folgende Schritte aus:
1. Generiert SQL, um die Datenbank nach den Top-HCPs abzufragen.
2. Ruft onkologiebezogene Berichte über RAG ab.
3. Kombiniert und fasst beides zusammen.
Aufbau einer MCP für strukturierte und unstrukturierte Daten
Gehen wir Schritt für Schritt durch, wie dies am Beispiel des Sales Rep-Co Accelerator-Setups funktioniert.
1. Wir verwenden einen bereits bereitgestellten Sales Rep-Co MCP Service
Sie beginnen damit, den Sales Rep-Co Service als MCP auf TrueFoundry bereitzustellen.
Sie benötigen Zugriff auf den Demo-Tenant von TrueFoundry
- Stellen Sie sicher, dass der Service aktiv ist und der Pod läuft.
- Setzen Sie den Betrieb fort, falls er pausiert ist, oder starten Sie ihn über Endpoint/Credentials neu, falls er sich im Auto-Shutdown befindet.
- Falls er nicht bereitgestellt ist, können Sie ihn über die TrueFoundry UI oder lokal unter Verwendung der bereitgestellten Konfiguration starten.
Nach der Bereitstellung verfügen Sie über einen Endpunkt wie: https://tfy-eo.truefoundry.cloud/deployments/{deployment_id}?tab=pods
2. Verbinden Sie ihn mit dem AI Gateway
Gehen Sie im AI Gateway von TrueFoundry zu: > AI Gateway → MCP Servers → + (Add MCP)

Suchen oder fügen Sie Ihre sales-repco-accelerator MCP hinzu.
Sobald die Verbindung hergestellt ist: - Schalten Sie sie auf Ein (on) - Klicken Sie auf Enable All Tools.

Ihre MCP hat nun Zugriff auf strukturierte (SQL) und unstrukturierte (Dokumente) Tools.
3. Abfrage beider Welten mit einem einzigen Prompt
Mit einer aktiven und verbundenen MCP können Sie strukturierte und unstrukturierte Daten zusammen abfragen – alles über natürliche Sprache.
Hier sind einige Beispiele:
Abfrage
Was im Hintergrund passiert
Welches sind die 5 wichtigsten HCPs nach Prioritätsbewertung?
Text-to-SQL fragt die strukturierte HCP-Datenbank ab.
Listen Sie die Ärzte mit Schwerpunkt Onkologie auf und erstellen Sie eine kurze Zusammenfassung unter Bezugnahme auf den Bericht zu metastatischem Organotropismus.
SQL ruft Arztdetails ab → RAG ruft Berichtstext ab und fasst ihn zusammen → Erstellt einen E-Mail-Entwurf.
Analysieren Sie die Verteilung der HCP-Prioritätsbewertungen in der Onkologieabteilung.
SQL + Python Code Executor generiert und visualisiert Erkenntnisse.
Sie können dieses Setup sogar erweitern, indem Sie weitere MCP-Tools für Analysen, Visualisierungen oder benutzerdefinierte APIs hinzufügen.
Warum das wichtig ist
Traditionelle Workflows für den Datenzugriff in Unternehmen erfordern: - ETL-Pipelines, - BI-Dashboards, - Manuelle Abstimmung zwischen Analysten und Fachanwendern. Mit der MCP-basierten Abfrage: - Reduzieren Sie den Wechsel zwischen Tools. - Fragen Sie alles über eine einzige Schnittstelle ab. - Verbinden Sie strukturierte und unstrukturierte Daten von Grund auf nativ. Das ist mehr als nur Bequemlichkeit – so sollte datengestützte Entscheidungsfindung funktionieren.
Ein Blick in die Zukunft
Da Teams immer mehr MCPs aufbauen – für Analysen, RAG, CRM und sogar externe SaaS-Tools – entsteht schrittweise ein Multi-Agenten-Ökosystem. Jeder Agent spezialisiert sich auf seinen Bereich (z. B. SQL-Experte, Zusammenfasser, E-Mail-Verfasser), und das AI Gateway orchestriert sie über MCPs. Wir bewegen uns auf eine Welt zu, in der Unternehmensdatensysteme keine statischen Dashboards mehr sind, sondern lebendige, abfragende und logisch kombinierende Einheiten.
Fazit
Durch die Kombination von strukturierten Abfragen (SQL), unstrukturierter Informationsbeschaffung (RAG) und Ausführungslogik (Python) innerhalb einer MCP ermöglichen Sie einem Agenten, komplexe, domänenübergreifende Fragen sofort zu beantworten. Egal, ob Sie Data Scientist, Vertriebsleiter oder Enterprise Architect sind – der Aufbau einer MCP-Schicht auf Ihren Datensystemen ist der erste Schritt zu einem wirklich intelligenten Datenzugriff.
TrueFoundry AI Gateway bietet eine Latenz von ~3—4 ms, verarbeitet mehr als 350 RPS auf einer vCPU, skaliert problemlos horizontal und ist produktionsbereit, während LiteLM unter einer hohen Latenz leidet, mit moderaten RPS zu kämpfen hat, keine integrierte Skalierung hat und sich am besten für leichte Workloads oder Prototyp-Workloads eignet.


















%20(28).webp)





.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






