BigQuery abfragen mit Claude oder Cursor via MCP.
Verbinden Sie Google BigQuery – Ihr GCP-Projekt, Ihre Datensätze, Ihr Dienstkonto – mit Claude oder Cursor mithilfe eines einzigen MCP-Schlüssels. Schema Intelligence unterstützt GoogleSQL-Idiome (STRUKTUR, ARRAY, _PARTITIONTIME, mit Backticks versehen `project.dataset.table`) sodass die KI beim ersten Versuch gültigen BigQuery-SQL-Code schreibt.
Fragen Sie Nova und erhalten Sie SQL + Diagramme
Treffen mit Nova
Ein Schlüssel pro Partner. Zugangsdaten werden nicht weitergegeben.
Erstellen Sie eine API
+mehr
Geplante Synchronisierung mit 6+ Plattformen
Erkunden Sie
+mehr
Abfrage von APIs mit SQL, ohne Code
Erkunden Sie
+mehr
Claude, Cursor, ChatGPT & Grok sprechen mit Ihren Daten
Connect AIQuery Streams ist eine sichere Echtzeit-Datenintegrationsplattform, die jede Datenbank und SaaS-API Ihres Kontos in Claude, Cursor, ChatGPT und Grok integriert – und zwar über einen einzigen MCP-Schlüssel ohne Änderungen an der Firewall. Diese Anleitung beschreibt die Einrichtung des BigQuery MCP-Connectors, damit Ihr KI-Tool Fragen zu Ereignissen, Benutzern, Sitzungen, Attributionen, Conversion-Funnels und allen anderen BigQuery-Daten – partitionierten Scans, STRUCT-/ARRAY-Traversierung, Google SQL-Fensterfunktionen, Ad-hoc-Berichten – in einfacher Sprache beantworten kann, ohne dass Sie CSV-Exporte aus der BigQuery Console kopieren und einfügen müssen. bq CLI oder Looker Studio. Weitere Informationen finden Sie unter QueryStreams.com. und kostenlos anmelden Beginnen Sie damit, Ihrem KI-Tool echte BigQuery-Fragen zu stellen.
Was bietet Ihnen Query Streams MCP für BigQuery?
Andere „BigQuery MCP“-Server im Open-Source-Bereich verbinden das KI-Tool direkt mit einer BigQuery-Dienstkontoschlüsseldatei. Das funktioniert zwar, speichert aber eine dauerhafte JSON-Anmeldeinformation in der Konfiguration Ihres KI-Clients, beschränkt das KI-Tool auf dieses eine GCP-Projekt und bietet keine Protokollierung der tatsächlichen KI-Anfragen. Der Query Streams MCP-Server für BigQuery löst ein umfassenderes Problem: ein einziger Schlüssel für alle Konnektoren, vollständige Protokollierung und das KI-Tool speichert niemals Ihre Dienstkontoanmeldeinformationen.
Null eingehende Firewall-Lücken
Der Netzwerkagent öffnet eine einzige verschlüsselte ausgehende Cloud-Verbindung zu Query Streams. Ihr KI-Client verbindet sich mit der Cloud, niemals mit Ihrem GCP-Projekt. Es werden keine langlebigen Dienstkonto-JSON-Daten in Ihrer KI-Client-Konfiguration, keine IP-Zulassungsliste in BigQuery, kein VPN und keine zusätzlichen IAM-Bindungen für die BigQuery-API benötigt.
Ein Schlüssel, jeder Stecker
Derselbe MCP-Schlüssel erreicht jede Datenbank und SaaS-API, die mit Ihrem Konto verbunden ist. Fügen Sie morgen einen Stripe- oder PostgreSQL-Connector hinzu, und das KI-Tool erkennt ihn neben Ihren BigQuery-Datensätzen, ohne dass eine erneute Eingabe erforderlich ist.
Schema Intelligence integriert
Die KI sieht KI-generierte Beschreibungen, semantische Typen, Enum-Wertelisten, STRUCT-/ARRAY-Annotationen und ermittelte Fremdschlüssel für jede BigQuery-Spalte – nicht nur die reinen Daten. INFORMATIONSSCHEMA Es schreibt beim ersten Versuch korrektes GoogleSQL, selbst bei älteren BigQuery-Datensätzen mit kryptischen Spaltennamen und tief verschachtelten Datensatzfeldern.
Schreibgeschützter Zugriff wird vom Agenten erzwungen
Selbst ein halluzinierender LLM kann das nicht ausstellen LÖSCHEN, AKTUALISIEREN, oder KÜRZEN über Query Streams MCP. Der Netzwerkagent weist alles zurück, was nicht SELECT, MIT, oder ERKLÄREN bevor BigQuery die SQL-Anweisung überhaupt sieht – selbst wenn Ihr Dienstkonto über Schreibberechtigungen verfügt.
Ratenbegrenzungen pro Tastendruck
Standardmäßig werden 60 Anfragen und 10 Ausführungsaufrufe pro Minute verarbeitet, konfigurierbar pro Schlüssel. Eine außer Kontrolle geratene Schleife von KI-Tool-Aufrufen führt zu einem Token-Bucket, nicht zu Ihrer BigQuery-Slot-Reservierung oder Ihrer monatlichen Rechnung für datenbasierte On-Demand-Scans.
Wie es funktioniert, ohne Firewall-Ports zu öffnen
Der Query Streams Network Agent wird einmalig auf einem beliebigen Rechner installiert, der die BigQuery-API erreichen kann (Laptop, lokaler Rechner oder eine kleine GCE-VM in Ihrem GCP-Projekt), und stellt eine ausgehende TLS-Verbindung zur Cloud her – eingehende Daten werden niemals offengelegt, und das KI-Tool sieht niemals Ihre Dienstkontoschlüsseldatei oder Ihre GCP-Projekt-ID. wie die ausschließlich ausgehende Verbindung funktioniert →
KI-Client
Cursor, Claude,
ChatGPT, Grok
QS MCP Server
Streamable HTTP
X-MCP-Schlüssel-Authentifizierung
Netzwerk-Agent
In Ihrem Netzwerk
Cloud-Verbindung
BigQuery (GCP-Projekt / Datensatz)
Servicekonto
im Besitz des Agenten
Die MCP-Taste, die Sie Cursor oder Claude geben, hat einen Gültigkeitsbereich (lesen / analysieren / ausführen), jederzeit widerrufbar und pro Schlüssel ratenbegrenzt. Das KI-Tool ruft diese MCP-Tools auf, um seine Arbeit zu erledigen:
Musterschlüssel mit optionalen Parameterüberschreibungen.Warum Schema Intelligence Query Streams MCP anders macht
Die meisten „MCP for BigQuery“-Server im Open-Source-Bereich stellen Ihrem KI-Tool die gleichen Funktionen zur Verfügung. INFORMATIONSSCHEMA BigQuery übergibt es einem Fremden. Spaltennamen. GoogleSQL-Datentypen. Vielleicht einen Clustering-Schlüssel. Der LLM muss raten, was. event_name = 'click_4' bedeutet, was up_attr_4 Geschäfte oder ob events.event_params ist eine einzelne STRUCT oder eine wiederholte ARRAY<STRUCT> das braucht UNNEST() Traversierung. Deshalb schlägt die erste SQL-Anweisung, die die meisten LLMs gegen ein leeres BigQuery-Schema schreiben, entweder fehl (weil Backticks für Bindestrich-Projekt-IDs vergessen werden) oder durchsucht die gesamten 5 TB. Veranstaltungen Tabelle, weil nein _PARTITIONTIME Der Filter wurde angewendet – nicht weil das LLM schlecht ist, sondern weil es nicht über die notwendigen Daten verfügt, um korrekt zu sein.
Query Streams MCP gibt dasselbe Schema zurück, angereichert mit dem, was wir nennen Schema Intelligence (SI) — KI-gestützte Metadaten, die durch die Ausführung von Profiling-Abfragen gegen Ihre tatsächliches BigQuery-Daten, bevor der KI-Client sie überhaupt anfordert. Wenn SI für einen Konnektor und ein Dataset aktiviert ist, wird jedes Schema-Tool, das die KI aufruft (qs_get_connector_schema, qs_get_table_schema, qs_profile_table, qs_get_relationships) gibt das reine Schema plus sechs Ebenen kuratierten Wissens zurück. Das LLM hört auf zu raten – und durchsucht nicht mehr versehentlich Terabytes an Daten.
Um das zu verdeutlichen, hier ist, was der KI-Client von einem einzelnen qs_get_table_schema Aufruf an ein typisches BigQuery-Webanalyse-Data-Warehouse (Veranstaltungen, Benutzer, Sitzungen, Zuschreibungen, Experimente, Konversionsereignisse) — zuerst ohne Schema Intelligence, dann mit.
Die sechs Ebenen der Schema Intelligence fügen hinzu
Jede Ebene befasst sich mit einer Frageklasse, die das LLM sonst nur erahnen würde – der optionale SI-Profiling-Durchlauf wird auf Ihre BigQuery-Daten angewendet, ohne Ihr Schema zu ändern, und verwendet Hinweise zur Partitionsbeschneidung, damit der Scan-Footprint begrenzt bleibt. Was Schema Intelligence bietet und wie sie aktuell bleibt →
KI-generierte Beschreibungen
Eine leicht verständliche Zweckbeschreibung für jedes Projekt, jeden Datensatz, jede Tabelle und jede Spalte – einmalig generiert und bei Schemaänderungen aktualisiert. Vertrauenswürdigkeitsbasiert; benutzerdefinierte Beschreibungen haben Vorrang.
pro Klick / Ansicht / Kauf.“
Tabellenklassifizierungen
Jede Tabelle ist mit FACT (Ereignisströme, Sitzungen), DIM (Benutzer, Dimensionen) oder LOOKUP (kleine Codezuordnungen) sowie einer Geschäftsdomäne gekennzeichnet – Produktanalyse, Marketing, Finanzen, Support und mehr.
Benutzer [DIM, Domäne:Kunden]
Semantische Typen pro Spalte
Achtzehn Datentypen – currency_usd, email, date, status_code, percentage, ranking_position, identifier, url, struct_array, partition_column und mehr. Die KI generiert dialektkorrektes GoogleSQL, das für jeden Datentyp geeignet ist, einschließlich Partitionsfiltern und UNNEST-Mustern.
_PARTITIONTIME: Partitionsspalte
Beispielwerte aus realen Daten
Dem LLM werden zufällige Zeilen angezeigt, sodass er Muster erkennt, die kein Schema zeigen kann – STRUCT-Schlüsselnamen innerhalb von ARRAY-Spalten, kodierte Werte, Abkürzungsstile und die tatsächliche Struktur Ihrer verschachtelten Felder.
Artikel-ID, Quelle, Kampagne
Enum-Erkennung mit Verteilungen
Spalten mit geringer Kardinalität (50 oder weniger unterschiedliche Werte, maximal 5 % der Zeilen eindeutig) werden ihrer vollständigen Werteliste mit Zeilenanzahl zugeordnet. Die KI berücksichtigt weder Groß- noch Kleinschreibung bei Ereignistypen oder Kanälen.
| CPC (28 %) | Direkt (16 %) | …
Implizite Fremdschlüsselerkennung
Die Analyse von Datenüberschneidungen zwischen Tabellen findet Verknüpfungen, die BigQuery nicht als DDL-Einschränkungen erzwingen kann (BQ hat keine Fremdschlüssel). Die Ergebnisse werden mit Konfidenzwerten gespeichert und von [Name der Quelle] zurückgegeben. qs_get_relationships.
(97 % Überlappung, Konfidenzintervall 0,96)
Gleiche Eingabeaufforderung, unterschiedliches SQL
Der Beweis liegt im SQL-Code, den das KI-Tool tatsächlich schreibt. Dieselbe Cursor-Sitzung, dasselbe Claude-Modell, dieselbe Eingabeaufforderung – „Welche Nutzergruppe ist nach Akquisitionsquelle am aktivsten, und wie hoch ist deren Konversionsrate?“ Ohne Schema Intelligence muss der LLM raten. Mit ihr schreibt der LLM beim ersten Versuch gültiges GoogleSQL und wendet den Partitionsfilter automatisch an, sodass der Scan begrenzt bleibt.
si_recommendation Blockierung der Information der KI über fehlende Informationen, einschließlich einer Option zur Aktivierung der Systemintegration mitten im Gespräch per Direktanruf. qs_request_si_analysis. Wie Schema Intelligence funktioniert und wie lange es dauert →
Authentifizieren Sie Query Streams MCP bei Ihrem GCP-Projekt und Ihren Datensätzen.
BigQuery ist selbst eine Cloud-Plattform – es gibt keine „BigQuery auf RDS“-Bereitstellung. Die Frage des Cloud-Hostings für BigQuery lautet stattdessen: Wie authentifiziert sich der Netzwerkagent bei Ihrem GCP-Projekt und wie beschränken Sie seinen Zugriff auf bestimmte Datensätze? Drei Muster, die 95 % der Implementierungen abdecken:
Dienstkonto-Authentifizierung EMPFOHLEN
Produktionsreif, minimale Berechtigungen, datensatzbezogen.
Erstellen Sie ein Dienstkonto mit eingeschränktem Bereich in Ihrem GCP-Projekt (zum Beispiel [email protected]), dann gewähre es roles/bigquery.dataViewer auf spezifische Datensätze, die Sie offenlegen möchten (NICHT projektweit) plus roles/bigquery.jobUser Um Abfrageaufträge für das Projekt zu übermitteln, laden Sie die JSON-Schlüsseldatei herunter, registrieren Sie sie im Geheimnisspeicher des Agenten, und der Agent verwendet sie, um die BigQuery Query API und die Storage Read API aufzurufen.
Warum datensatzbezogen statt projektweit: eine projektbezogene Datenbetrachter Durch die Datenbindung werden alle Datensätze zugänglich gemacht, auch solche, die Sie möglicherweise nicht für das LLM freigeben möchten (z. B. personenbezogene Daten, Finanzbücher). Die datensatzspezifische Datenbindung hält den potenziellen Schaden gering. Der Agent besitzt niemals die Zugangsdaten des Projektinhabers – nur das zugehörige Dienstkonto.
OAuth-Benutzerdelegation
Für Entwicklungs- und interaktive Nutzung; der Agent führt Abfragen so aus, wie Sie es tun.
Für Entwicklungs-Workflows, bei denen jede BigQuery-Abfrage als dein Google-Identität (sodass die Sicherheit auf Zeilenebene, die Spaltenmaskierung und die benutzerbezogenen Prüfprotokolle übernommen werden), der Agent unterstützt die OAuth-Benutzerdelegierung: Sie melden sich einmal mit Ihrem Google-Konto an, der Agent speichert ein Aktualisierungstoken, und jedes Mal qs_run_query Der Anruf wird Ihrem Konto zugeordnet in INFORMATION_SCHEMA.JOBS_BY_USER.
OAuth eignet sich hervorragend für eine Ein-Personen-Entwicklungsumgebung oder wenn Sie möchten, dass Ihr Name im BigQuery-Audit-Protokoll bei jedem Auftrag angezeigt wird. Für Team-/Produktionsbereitstellungen ist das Service-Account-Muster vorzuziehen. — OAuth-Aktualisierungstoken werden widerrufen, wenn ein Benutzer das System verlässt, und Sie möchten nicht, dass Ihr KI-Client ausfällt, weil jemand sein Passwort geändert hat.
Multi-Projekt-Muster
Jedes Projekt ist sein eigener Konnektor; LLM wählt ihn namentlich aus.
Die meisten produktiven GCP-Setups trennen Produktanalysen, Staging-Analytics, und Datenteam-Sandbox in separate Projekte mit separaten Dienstkonten und IAM-Bindungen. Registrieren Sie jedes Projekt als eigenen Query Streams-Connector mit einem eigenen, bereichsbezogenen Dienstkonto und benennen Sie die Connectors eindeutig (Produktanalysen, Staging-Analytics, Sandkasten), und der LLM wählt anhand der Frage die richtige aus:
„Zeig mir die Einnahmen aus der Produktion“ Routen nach Produktanalysen; „Ich werde meine neue Abfrage zuerst in der Sandbox auf Plausibilität prüfen.“ Routen nach SandkastenDer Benutzer muss die Projekt-ID nie kennen – der Agent stellt übersichtliche, lesbare Konnektornamen bereit. qs_list_connectors.
Für Datensätze mit mehreren Regionen/regionalen Regionen/zwei Regionen funktioniert dasselbe Muster – die BigQuery-API übernimmt das Regionsrouting im Hintergrund. Sicherheit auf Zeilenebene und Maskierung auf Spaltenebene (Bei BigQuerys IAM-basiertem RLS erfolgt die gesamte Durchsetzung auf GCP-Ebene – der Agent sendet einfach Abfragen und erhält zurück, was Ihr Dienstkonto sehen darf.
MCP ist nichts für Sie? Versuchen Sie stattdessen Nova AI.
Die JSON-Konfiguration kann komplett übersprungen werden: Nova AI ist in das Query Streams-Webportal integriert. und stellt die gleichen Fragen in einfacher Sprache an Ihre BigQuery-Datensätze – derselbe Agent, dieselbe Durchsetzung des Schreibschutzes, dieselbe Schema Intelligence, die GoogleSQL antreibt, keine MCP-Infrastruktur.
Lernen Sie Nova AI kennenVoraussetzungen
Bevor Sie beginnen, stellen Sie sicher, dass Sie Folgendes haben:
- Ein kostenloses Query Streams-Konto bei mein.querystreams.de.
- Der Query Streams Network Agent wird auf einem Rechner installiert, der die BigQuery-API erreichen kann (eine kleine GCE-VM im selben GCP-Projekt ist das gängigste Muster) – siehe Laden Sie den Query Streams Agent herunter..
- Ein für den Agenten konfigurierter BigQuery-Connector – siehe den bestehenden Anschluss-Einrichtung Leitfäden für den Authentifizierungsablauf des Dienstkontos. Der Agent verwaltet die Schlüsseldatei des Dienstkontos (oder das OAuth-Aktualisierungstoken); das KI-Tool greift niemals darauf zu.
- Jeder MCP-fähige KI-Client. In diesem Leitfaden zeigen wir Cursor, Claude Desktop, ChatGPT und Grok; wenn Sie Windsurf, Zed, Continue, Cline, VS Code Copilot, Codex oder Goose verwenden, ist der Konfigurationsblock im Wesentlichen derselbe.
- Fünf Minuten.
Generieren Sie einen MCP-Schlüssel
vom /mcp Seite in Query Streams, prägen Sie einen Schlüssel mit den gewünschten Scopes.
Fügen Sie es Ihrem KI-Client hinzu.
Ein JSON-Ausschnitt für Cursor, Claude, ChatGPT oder Grok. Überall derselbe Schlüssel.
Eine Frage stellen
„Welche zehn Kunden hatten den höchsten Kundenwert?“ – Die KI ruft die richtigen Tools auf, und Sie erhalten die Antwort.
Schritt 1: Generieren eines MCP-Schlüssels in Query Streams
Melden Sie sich bei Query Streams an und öffnen Sie die MCP-Seite (oder melden Sie sich zuerst an unter mein.querystreams.de und klicken Sie MCP (in der linken Navigation). Klicken Sie Schlüssel generierenGeben Sie dem Schlüssel einen einprägsamen Namen (etwa so etwas wie Cursor-Laptop oder claude-desktop), und wählen Sie die Gültigkeitsbereiche aus, die dieser Schlüssel haben soll:
lesen— Die KI kann Konnektoren durchsuchen und Schemata lesen. Für alles andere erforderlich.analysierenDie KI kann Tabellenprofile erstellen und Beziehungen (Stichprobenwerte, Verteilungen, semantische Typen) erkennen. Dies ist optional, aber für BigQuery-Anwendungen dringend empfohlen, da das Verständnis der STRUCT-/ARRAY-Struktur und der Partitions-Pseudospalten wichtig ist, wenn der LLM Abfragen generiert, die innerhalb eines partitionsbereinigten Scans bleiben müssen.ausführen— Die KI kann tatsächlich SQL ausführen. Ohne diese Fähigkeit kann die KI nur auf Schema-Metadaten zugreifen.
Für einen typischen Workflow, bei dem Claude meine BigQuery-Daten analysiert, sind alle drei Bereiche geeignet. Wenn Sie einen Schlüssel an ein Teammitglied oder einen weniger vertrauenswürdigen Kunden weitergeben, sollten Sie den Bereich „Schlüssel“ entfernen. ausführen und lassen Sie sie nur stöbern. Sie können jeden Schlüssel jederzeit auf derselben Seite widerrufen; der KI-Client wird dies sehen. MCP_KEY_REVOKED Beim nächsten Aufruf wird die Verbindung sofort eingestellt. Es gibt keine Ausbreitungsverzögerung.
Kopieren Sie jetzt den Schlüssel – Query Streams zeigt ihn nur einmal an und speichert anschließend nur einen Hash. Falls Sie ihn verlieren, generieren Sie einen neuen. Der Schlüssel sieht folgendermaßen aus: qsmcp_ gefolgt von 48 zufälligen Zeichen, und das ist das, was Ihr KI-Client sendet. X-MCP-Schlüssel Anfrageheader.
Schritt 2: Fügen Sie Query Streams MCP zu Ihrem KI-Client hinzu
Die Konfiguration ist bei allen MCP-fähigen Clients gleich – ein MCP-Server-Einstiegspunkt, der auf … verweist. https://mcp.querystreams.com mit Ihrem Schlüssel im X-MCP-Schlüssel Kopfzeile. Wählen Sie unten Ihren Kunden aus.
// Bearbeiten Sie ~/.cursor/mcp.json { "mcpServers": { "Querystreams": { "URL": "https://mcp.querystreams.com", "Überschriften": { "X-MCP-Key": "qsmcp_PASTE_KEY_HERE" } } } }
// Einstellungen → Entwickler → Konfiguration bearbeiten { "mcpServers": { "Querystreams": { "URL": "https://mcp.querystreams.com", "Überschriften": { "X-MCP-Key": "qsmcp_PASTE_KEY_HERE" } } } }
// Einstellungen → Apps & Konnektoren → MCP hinzufügen Server-URL https://mcp.querystreams.com Authentifizierungsheader X-MCP-Schlüssel Headerwert qsmcp_PASTE_KEY_HERE // Erfordert einen kostenpflichtigen ChatGPT-Tarif. // (Plus / Pro / Team / Enterprise).
// Grok → Einstellungen → Werkzeuge { "mcp_servers": [{ "Name": "Querystreams", "URL": "https://mcp.querystreams.com", "auth_header": "X-MCP-Key", "auth_value": "qsmcp_..." }] }
Starten Sie Ihren KI-Client neu. Beim nächsten Start erkennt er die acht oben aufgeführten Query Streams MCP-Tools und zeigt sie in seiner Werkzeugpalette an. In Cursor und Claude Desktop können Sie dies überprüfen, indem Sie Folgendes eingeben: „Verbindungen auflisten“ — die KI sollte anrufen qs_list_connectors und geben Sie Ihren BigQuery-Connector zusammen mit allen anderen von Ihnen konfigurierten Einstellungen zurück.
Schritt 3: Stelle der KI eine BigQuery-Frage
Sie schreiben kein SQL – das übernimmt die KI. Sie stellen eine Frage, die KI wählt das passende MCP-Tool aus, der Agent führt die Abfrage auf Ihrem BigQuery-Datensatz aus, und die Antwort wird als Text und Tabellen zurückgegeben. Drei Beispielabfragen zum Ausprobieren:
events.event_params ist ein ARRAY<STRUCT> benötigen UNNEST), Dann qs_run_query mit einer SELECT-Anweisung, die verknüpft Veranstaltungen zu Benutzer An Benutzer-IDwendet ein _PARTITIONTIME Filter zum Eingrenzen des Scans, Gruppierungen nach Akquisitionsquelleund berechnet die Anzahl aktiver Nutzer sowie die durchschnittliche Sitzungsanzahl pro Nutzer. Die Ergebnistabelle wird direkt im Browser angezeigt, zusammen mit einer schriftlichen Interpretation – welche Kanäle überdurchschnittlich erfolgreich sind und wo sich die Nischenkanäle befinden –, die die KI aus Ihren BigQuery-Daten abgeleitet hat.e._PARTITIONTIME >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 90 DAY)), tritt bei Veranstaltungen durch Benutzerund berechnet COUNTIF(event_name = 'page_view'), COUNTIF(event_name = 'add_to_cart'), und ZÄHLENWENN(Ereignisname = 'Kauf') In jedem Schritt des Conversion-Funnels werden die per Enumeration ermittelten Ereignisnamen verwendet. Das Ergebnis ist ein schrittweiser Funnel nach Traffic-Quelle mit absoluten Zahlen und Konversionsraten – die KI identifiziert in der Regel automatisch den Schritt mit dem größten Abbruchrisiko und die Quelle mit der höchsten Konversionsrate.UNNEST(event_params) und extrahiert die Experiment-ID und die Variante aus dem verschachtelten Datensatz und verknüpft diese mit dem Experimente Die KI verwendet eine Dimensionstabelle und berechnet die Anmelderate pro Variante mit einem Wilson-Score-Konfidenzintervall (bzw. einem Chi-Quadrat-Test, wenn der Nutzer ein kostenpflichtiges LLM-Statistikmodell verwendet). Das Ergebnis ist eine fokussierte Liste von Varianten mit absoluten Anmelderaten, relativem Lift im Vergleich zur Basislinie und p-Werten – üblicherweise kennzeichnet die KI die Varianten, die die Kontrollgruppe mit 95%iger Wahrscheinlichkeit übertreffen. Schiffskandidaten und der Rest als lauf weiter anstatt falsch positive Ergebnisse zu generieren.Wenn die KI zum ersten Mal ein Tool aufruft, kann Ihr Client eine Bestätigungsabfrage anzeigen, in der Sie um Ihre Zustimmung gebeten werden – dies ist der Standard-Zustimmungsprozess von MCP und keine Ergänzung von Query Streams. Nach der einmaligen Zustimmung kann die KI die weitere Kommunikation problemlos fortsetzen. Sie können die Zustimmung jederzeit in den Einstellungen Ihres Clients erneut aufrufen.
Ehrlicher Abrechnungshinweis: Die MCP-Nutzung wird auf Basis unkomprimierter Bytes abgerechnet.
Die Excel-Add-Ins von Query Streams, Google Sheets-Add-Ons, der Web-Query-Builder und Nova AI laufen alle über unsere komprimierte Cloud-Verbindung – wir messen und berechnen den Verbrauch. komprimierte Bytes gegen Ihren Datenbereich. Der MCP-Transport (Streamable HTTP gemäß der offiziellen MCP-Spezifikation) unterstützt keine zuverlässige durchgängige Komprimierung über alle Clients und zwischengeschalteten Proxys hinweg, daher messen und berechnen wir die Komprimierung individuell. unkomprimierte Bytes für MCP-Datenverkehr.
- Was das bedeutet: Eine 5 MB große BigQuery-Aggregatabfrage beansprucht beim Abruf über MCP etwa 5 MB Ihres Datenbereichs, im Vergleich zu etwa 700 KB bis 1,2 MB über Excel/Tabellen/Nova/den Abfrage-Generator. BigQuery-Daten mit STRUCT- und Spalten mit wiederholten Werten werden über LZ4 um den Faktor 5–8 komprimiert – besonders effizient für Analyseergebnisse, bei denen viele Zeilen dieselben Enum-Werte, Datumsangaben oder Kampagnen-IDs aufweisen.
- Die Scankosten von BigQuery sind unabhängig. Query Streams misst Bytes zurück an Ihren KI-Client (Datenbereich), nicht Bytes gescannt im Data Warehouse. Wenn Ihr LLM also eine Abfrage schreibt, die 100 GB Daten durchsucht und 10 KB an Aggregaten zurückgibt, zahlen Sie 100 GB für den Google-Scan und 10 KB für Query Streams. Die Hinweise zur Partitionsbereinigung von Schema Intelligence helfen dem LLM, beide Werte zu minimieren – der obige SQL-Diff durchsucht für dieselbe Abfrage nur 6 GB statt 5 TB.
- Was dies nicht ist: Es handelt sich weder um einen Aufschlag noch um eine Strafe für die Verwendung von MCP. Wir leiten die tatsächlich übertragenen Bytes weiter. Die anderen Clients sind günstiger, da die Komprimierung bei diesen Transportprotokollen zuverlässig funktioniert; wir bestrafen Sie nicht für Ihre Protokollwahl, müssen aber die Kostenstruktur transparent darlegen.
- Was Sie tun können: Bei sehr großen, wiederkehrenden Abfragen (z. B. Exporte von über 100.000 Zeilen) empfiehlt sich die Verwendung von Excel/Sheets/Nova. Für interaktive KI-Tool-Aufrufe (die typische BigQuery-Antwort von 100–5.000 Zeilen, die in einen LLM-Kontext passt) ist MCP die richtige Wahl, und der Kostenunterschied liegt im Cent-Bereich.
Häufig gestellte Fragen
Muss ich Ports öffnen oder ein VPN einrichten, um dies zu nutzen? +
https://mcp.querystreams.com aus dem öffentlichen Internet – wenn ausgehendes HTTPS auf dem Agenten-Host funktioniert, funktioniert MCP. So funktioniert die Verbindung, die nur ausgehende Verbindungen zulässt →
Welche KI-Tools kann ich mit Query Streams MCP verwenden? +
Kann ich einen MCP-Schlüssel widerrufen? +
/mcp Seite, pro Organisation über Planeinstellungen und Plattformebene), wobei keine der Optionen eine Datenbankpasswortrotation oder einen Agentenneustart erfordert. Mehr zur MCP-Schlüsselsicherheit →
Wie wird die MCP-Nutzung meinem Datenbereich in Rechnung gestellt? +
komprimierte BytesMCP läuft über Streamable HTTP, welches die durchgängige Komprimierung nicht zuverlässig über alle Clients und Proxys hinweg unterstützt, daher berechnen wir dies separat. unkomprimierte BytesEin 5 MB großes BigQuery-Aggregat-Ergebnis, das an Excel zurückgegeben wird, beansprucht typischerweise ~700 KB – 1,2 MB Ihres Datenbereichs; dasselbe 5 MB große Ergebnis, das an Cursor über MCP zurückgegeben wird, beansprucht ~5 MB. Die Scankosten von BigQuery sind unabhängig. Das ist Googles eigene Metrik (gescannte Terabytes pro Anfrage) und wird separat von den zurückgegebenen Datenbereichsbytes erfasst. Die Partitionierungshinweise von Schema Intelligence helfen dem LLM, beide Werte zu minimieren. Wir kommunizieren dies transparent, damit Sie von Anfang an Bescheid wissen und nicht am Ende des Abrechnungszeitraums überrascht werden.
Funktioniert Query Streams MCP mit BigQuery-Slotreservierungen, On-Demand-Preisgestaltung, BigQuery-Sandbox (kostenloses Kontingent) und BigQuery Omni (Cloud-übergreifend)? +
Worin unterscheidet sich das vom Betrieb eines Open-Source BigQuery MCP-Servers in Eigenregie? +
Ereignisprotokolleund die gleiche Abrechnungspipeline für den Datenbereich, die Sie bereits verwenden – all das bietet Ihnen ein direktes BigQuery MCP nicht.
Was passiert, wenn die KI versucht, Daten zu schreiben oder zu löschen? +
qs_run_query Der Aufruf wird von einem fest codierten, schreibgeschützten Validator analysiert, der nur SELECT, MIT, und ERKLÄREN Aussagen; alles andere gibt zurück READONLY_VIOLATION und erreicht BigQuery niemals. Der Validator läuft im Agentenprozess in Ihrem Netzwerk (oder auf Ihrer GCE-VM), nicht in der Cloud, sodass eine kompromittierte Cloud-Oberfläche ihn nicht umgehen kann. (Zusätzliche Sicherheitsmaßnahme: Binden Sie Ihr bereichsbezogenes Dienstkonto an …) roles/bigquery.dataViewer + roles/bigquery.jobUser nur — niemals Dateneditor oder DatenbesitzerDer Validator des Agenten ist unabhängig von den IAM-Berechtigungen, die Sie in GCP konfiguriert haben.
Kann ich sehen, was die KI tatsächlich gefragt hat? +
Ereignisprotokolle mit Organisation, Benutzer, Schlüssel, Bereich, Latenz und Ergebniscode. Der Organisationsadministrator kann mit einer einzigen Abfrage die Frage beantworten: „Wer hat MCP letzte Woche verwendet, welchen Connector und welche Anfrage wurde gestellt?“ Beachten Sie, dass wir dies protokollieren. Werkzeugname und MetadatenNicht der SQL-Text oder die zurückgegebenen Zeilen – diese werden über die Cloud-Verbindung übertragen und landen nie in den Cloud-Protokollen. Wenn Sie eine vollständige SQL-Überwachung wünschen, bietet BigQuery diese bereits kostenlos an: Abfrage INFORMATION_SCHEMA.JOBS_BY_USER für den SQL-Text jedes Auftrags, den Ihr Dienstkonto übermittelt hat, oder streamen Sie BigQuery-Audit-Logs an Cloud Logging / ein separates BigQuery-Dataset zur langfristigen Aufbewahrung.
Muss ich Schema Intelligence ausführen, um Query Streams MCP verwenden zu können? +
(Konnektor, Datensatz) PaarMCP funktioniert auch ohne diese Funktion einwandfrei. Die KI erhält das Basisschema (Typen, Primärschlüssel, formale Fremdschlüssel, Indizes – oder für BigQuery Typen, Partitionierung und Clustering) und schreibt einfache Abfragen. Mit aktiviertem SI erhält die KI sechs zusätzliche Ebenen kuratierter Metadaten: (1) KI-generierte Beschreibungen zu jedem Projekt, Datensatz, jeder Tabelle und Spalte; (2) Tabellenklassifizierungen (FACT für Ereignisströme und Sitzungen, DIM für Benutzer und Dimensionen, LOOKUP für kleine Codezuordnungen) plus ein Geschäftsdomänen-Tag (product_analytics, marketing, finance, support und mehr); (3) ein semantischer Typ für jede Spalte (currency_usd, email, date, status_code, percentage, identifier, url, struct_array, partition_column und andere), der die dialektkorrekte GoogleSQL-Generierung einschließlich UNNEST-Mustern und Partitionsfiltern steuert; (4) Beispielwerte aus Ihren realen Daten, damit das LLM Muster erkennt, die kein Schema zeigen kann, einschließlich STRUCT-Schlüsselnamen innerhalb von ARRAY-Spalten; (5) Enum-Erkennung mit vollständigen Wertverteilungen für Spalten mit niedriger Kardinalität (event_name, acquisition_source, plan_tier); und (6) KI-erkannte Fremdschlüssel basierend auf tabellenübergreifenden Datenüberschneidungen (BigQuery kennt keine Fremdschlüsselbeschränkungen, daher ist dies besonders wertvoll), die durch qs_get_relationshipsOhne SI enthält jede Schema-Tool-Antwort auch eine si_recommendation Die Liste enthält genau, was für den Anruf fehlt – die KI kann dies lesen und anbieten, SI mitten im Gespräch auszulösen. qs_request_si_analysisDie Laufzeit skaliert mit der Tabellenanzahl: Eine kleine Datenbank mit weniger als 100 Tabellen ist in etwa 10 Minuten fertig; eine typische mittelgroße Datenbank (einige hundert Tabellen) in 15–25 Minuten; eine große Unternehmensdatenbank mit über 1.500 Tabellen kann für einen vollständigen Scan 45–60 Minuten benötigen. SI wird über Ihren Netzwerkagenten auf Ihre BigQuery-Daten angewendet (niemals in der QS-Cloud), schreibt niemals in Ihre Datensätze, ändert niemals Ihr Schema, verwendet Hinweise zur Partitionsbereinigung, um den Scan-Footprint zu begrenzen, und aktualisiert sich inkrementell, wenn sich Ihr Schema ändert – daher sind nachfolgende Ausführungen nach dem Hinzufügen oder Ändern von Tabellen viel schneller als die erste. Der End-to-End-Effekt: Mit aktiviertem SI schreibt Ihr KI-Client viel häufiger beim ersten Versuch korrektes GoogleSQL als auf einem beliebigen „MCP für X“-Server, der lediglich den LLM übergibt. INFORMATIONSSCHEMA.
Was passiert, wenn ich später einen weiteren Konnektor hinzufüge, wie zum Beispiel Stripe oder PostgreSQL? +
qs_list_connectors (Wird automatisch erkannt). Ein Konfigurationsblock deckt Ihr gesamtes Konto ab, sowohl die aktuellen als auch die zukünftigen. Warum ein Schlüssel alle Anschlüsse abdeckt →
Muss ich MCP einrichten, nur um mit meinen Daten zu chatten? +
Wie authentifiziert sich Query Streams MCP bei meinem GCP-Projekt und meinen Datensätzen, und wie kann ich den Zugriff auf bestimmte Datensätze beschränken? +
[email protected]), gewähren Sie es roles/bigquery.dataViewer auf spezifische Datensätze Sie möchten es sichtbar machen (NICHT projektweit) plus roles/bigquery.jobUser Für das Projekt müssen Abfrageaufträge übermittelt werden. Laden Sie den JSON-Schlüssel herunter und registrieren Sie ihn im Geheimnisspeicher des Agenten. Der Agent speichert niemals die Anmeldeinformationen des Projektinhabers, sondern nur das zugehörige Dienstkonto. OAuth-Benutzerdelegierung: Alternative für die Entwicklung/interaktive Nutzung, wenn jede Abfrage unter Ihrer Google-Identität ausgeführt werden soll (sodass Ihre Zeilenebenensicherheit und benutzerbezogenen Prüfprotokolle übernommen werden). Verwenden Sie SA in der Produktion. Muster mit mehreren Projekten: Registrieren Sie jedes Projekt (z. B. Produktanalysen, Staging-Analytics, Datenteam-Sandbox) als eigenen Konnektor mit eigenem Bereichs-SA – der LLM wählt anhand des Namens aus, sodass ein Cursor-Benutzer fragen kann „Zeig mir die Einnahmen aus der Produktion“ ohne Kenntnis der Projekt-ID. Bei Datensätzen mit mehreren Regionen/regionalen/zwei Regionen funktioniert der Agent auf die gleiche Weise; die BigQuery-API übernimmt das Regionsrouting im Hintergrund. Sicherheit auf Zeilenebene und Maskierung auf Spaltenebene (Bei BigQuerys IAM-basiertem RLS erfolgt die gesamte Durchsetzung auf GCP-Ebene – der Agent sendet lediglich Abfragen und erhält die Daten zurück, auf die Ihr Dienstkonto Zugriff hat. Die Cloud-Verbindung vom Agenten zu Query Streams ist unabhängig von der Anzahl der verbundenen GCP-Projekte oder Datasets jeweils nur einmal pro Agent vorhanden.
Los geht's!
Verbinden Sie Ihr KI-Tool in fünf Minuten mit Ihren BigQuery-Daten.
Ein einziger MCP-Schlüssel ermöglicht den Zugriff auf BigQuery, alle anderen Datenbanken und alle API-Konnektoren Ihres Query Streams-Kontos – mit vollständiger Protokollierung, Ratenbegrenzungen pro Schlüssel und ohne Firewall-Änderungen. Claude, Cursor, ChatGPT und Grok sind sofort einsatzbereit.
Verwandte Leitfäden: Laden Sie den Query Streams Agent herunter. | Einrichtung des Datenbank-Connectors | Alle MCP-Server-Anleitungen | Nova AI Text-zu-SQL
Kategorie: MCP-Server
Schlagwörter: mcp, claude, cursor, bigquery, google-cloud, gcp, data-warehouse, googlesql, service-account-auth
Meta-Beschreibung: Verbinden Sie Google BigQuery über Query Streams MCP mit Claude oder Cursor. Dienstkonto-Authentifizierung, GoogleSQL-fähig, Einrichtung in 5 Minuten.
English 
Spanish 
German 
French 
Portuguese 
Japanese 
Korean 
Chinese 
Italian 
Dutch 
Indonesian 
Polish