Interroger les données d'administration Shopify avec Claude ou Cursor via le serveur Shopify MCP.
Une configuration Shopify MCP en 5 minutes permet à votre outil d'IA de poser des questions en langage naturel sur vos commandes, clients, produits et stocks. L'agent Query Streams met en cache l'API d'administration Shopify dans des surfaces SQL locales, de sorte que le LLM accède à de véritables tables plutôt qu'à des points de terminaison REST. Schema Intelligence gère les conventions de données (colonnes monétaires stockées sous forme de chaînes de caractères, énumérations financial_status/fulfillment_status, affichage multidevises vs monnaie de la boutique, balises séparées par des virgules) pour une requête SQL correcte dès la première tentative.
Demandez à Nova, obtenez SQL + des graphiques
Rencontre avec Nova
Une clé par partenaire. Aucun identifiant partagé.
Créer une API
+Plus d'informations
Synchronisation programmée sur plus de 6 plateformes
Explorer
+Plus d'informations
Interroger les API avec SQL, sans code
Explorer
+Plus d'informations
Claude, Cursor, ChatGPT et Grok interagissent avec vos données.
Connecter l'IAQuery Streams est une plateforme d'intégration de données sécurisée et en temps réel qui intègre toutes les bases de données et API SaaS de votre compte dans Claude, Cursor, ChatGPT et Grok, grâce à une seule clé MCP et sans modification du pare-feu. Ce guide vous emmène à travers le Shopify MCP Le chemin d'accès est précis, permettant ainsi à votre outil d'IA de répondre à des questions en langage clair concernant les commandes, les clients, les produits, les stocks, les expéditions et les remboursements, sans que vous ayez à exporter de rapports depuis l'interface d'administration Shopify ni à assembler des appels à l'API d'administration GraphQL. L'agent réseau extrait les données de l'API d'administration Shopify dans un cache DuckDB local, de sorte que le LLM accède à des surfaces SQL propres (commandes, articles, clients, produits, variantes, transactions, expéditions) au lieu d'enveloppes REST brutes. Enfin, le périmètre d'administration en lecture seule indique qu'il s'agit d'un complément analytique et opérationnel à l'interface de gestion Shopify Storefront officielle, et non d'un remplacement. Pour en savoir plus, rendez-vous sur QueryStreams.com. et Inscrivez-vous gratuitement pour commencer à poser à votre outil d'IA de vraies questions d'administrateur Shopify.
Ce que le serveur Query Streams Shopify MCP vous offre
D'autres serveurs « Shopify MCP » open source connectent l'outil d'IA directement à l'API REST ou GraphQL de l'interface d'administration Shopify et lui envoient des requêtes brutes. Cette méthode fonctionne, mais elle ajoute un jeton d'application privé Shopify à la configuration de votre client d'IA, oblige le LLM à manipuler des enveloppes REST et des types GraphQL au lieu de SQL, limite l'outil d'IA à Shopify et ne fournit aucun historique des requêtes effectuées par l'IA. Le serveur Query Streams Shopify MCP résout un problème plus global : une seule clé pour tous les connecteurs, un historique complet des requêtes, l'agent normalise les données de l'interface d'administration Shopify en surfaces SQL et l'outil d'IA ne conserve jamais vos identifiants Shopify.
Aucun trou dans le pare-feu entrant
L'agent réseau établit une unique connexion sortante chiffrée vers le cloud Query Streams. Votre client IA se connecte au cloud, jamais à votre jeton d'application privé Shopify ni à votre réseau. Aucun port à ouvrir, aucune adresse IP à autoriser, aucun VPN.
Une seule clé, tous les connecteurs
La même clé MCP est utilisée pour accéder à Shopify, ainsi qu'à toutes les autres bases de données et API SaaS connectées à votre compte. Ajoutez un connecteur Stripe ou PostgreSQL demain : l'outil d'IA le détectera automatiquement avec vos commandes Shopify, sans que vous ayez à le ressaisir. Gestion multi-boutiques également : chaque boutique Shopify possède son propre connecteur, associé à la même clé MCP.
L'intelligence schématique intégrée
L'IA analyse les descriptions générées par l'IA, les types sémantiques (conversion de devises en chaînes de caractères pour les colonnes monétaires, énumérations financial_status/fulfillment_status, présentation multidevises vs monnaie de la boutique, liste de chaînes de caractères pour les étiquettes séparées par des virgules), des exemples de valeurs et les clés étrangères découvertes pour chaque champ Shopify — et non pas seulement les noms de propriétés REST. Elle génère du SQL précis dès la première tentative, y compris… prix_total::DOUBLE casting que les LLM à schéma minimal ratent.
Accès en lecture seule appliqué à l'agent
Même un LLM halluciné ne peut pas effectuer de remboursement, honorer une commande, ajuster l'inventaire ou modifier un produit via Query Streams MCP. L'agent réseau rejette tout ce qui n'est pas conforme. SELECTIONNER, AVEC, ou EXPLIQUER avant même d'atteindre les tables Shopify mises en cache — et les opérations de mutation de l'interface d'administration Shopify ne sont jamais exposées à la surface MCP.
Limites de débit par clé
Par défaut, 60 requêtes et 10 exécutions par minute, configurables par clé. Une boucle d'appels d'outils d'IA incontrôlée entraîne la suppression du quota de jetons, et non de votre quota quotidien d'API d'administration Shopify ni du mécanisme de limitation de débit de votre boutique.
Comment cela fonctionne sans ouvrir les ports du pare-feu
L'agent Query Streams Network s'installe une seule fois sur n'importe quelle machine ayant accès à Internet (l'API d'administration Shopify est accessible de partout) et établit une connexion TLS sortante vers le cloud ; lorsque Claude ou Cursor pose une question, l'agent appelle l'API d'administration Shopify et met en cache la réponse dans une base de données DuckDB locale afin que l'IA puisse accéder à des requêtes SQL propres. commandes, lignes_articles, clients, produits, variantes, niveaux_de_stock, transactions, réalisations — au lieu d'enveloppes REST, sans que rien de entrant ne soit exposé et sans que l'outil d'IA ne voie jamais votre jeton d'application privé Shopify, le domaine de votre boutique ou la version de votre API. Comment fonctionne une connexion sortante uniquement ?
Client IA
Curseur, Claude,
ChatGPT, Grok
Serveur QS MCP
HTTP en continu
Authentification par clé X-MCP
Agent de réseau
Sur votre réseau
Sortie de liaison cloud
API d'administration Shopify
DuckDB en lecture seule
cache en tant que SQL
La touche MCP que vous donnez à Cursor ou Claude est limitée (lire / analyser / exécuter), révocable à tout moment et limitée en nombre d'utilisations par clé. L'outil d'IA fait appel à ces outils MCP pour fonctionner :
clé_de_modèle avec des paramètres optionnels de remplacement.Pourquoi Schema Intelligence rend Query Streams MCP différent
La plupart des serveurs « MCP pour Shopify » open source fournissent à votre outil d'IA la même référence de champ que celle publiée par Shopify pour les développeurs, voire pire, les données brutes. schéma_information du cache qu'ils conservent. Noms des champs. Types de données. Peut-être une clé primaire. Le LLM doit deviner. prix_total est stocké sous forme de STRING et doit être converti en DOUBLE pour l'arithmétique, que situation_financière est une énumération de en attente / autorisé / partiellement payé / payé / partiellement remboursé / remboursé / annulé, ou que étiquettes Il s'agit d'une chaîne de caractères délimitée par des virgules qui doit être aplatie en une liste. C'est pourquoi la première requête SQL que la plupart des développeurs web écrivent sur un schéma Shopify minimal est erronée : non pas parce que le développeur est incompétent, mais parce qu'il ne dispose pas des données nécessaires pour fonctionner correctement (et l'erreur « SUM est nul car total_price est une chaîne de caractères » est le genre de problème qui représente une perte de temps considérable).
Query Streams MCP renvoie ce même schéma Shopify mis en cache, enrichi de ce que nous appelons Intelligence schématique (IS) — Métadonnées sélectionnées par l'IA, générées en exécutant des requêtes de profilage sur votre vrai Les données Shopify sont traitées avant même que le client IA ne les demande. Lorsque l'intégration système est activée sur le connecteur Shopify, chaque outil de schéma appelé par l'IA (qs_get_connector_schema, qs_get_table_schema, table de profils qs, qs_get_relationships) renvoie le schéma mis en cache de base, ainsi que six couches de connaissances organisées. Le LLM cesse de deviner.
Pour concrétiser cela, voici ce que le client IA récupère d'une seule requête. qs_get_table_schema appel contre le connecteur Shopify commandes table — la table de faits Shopify canonique qui alimente 80 % des questions analytiques — d'abord sans Schema Intelligence, puis avec.
Les six couches de l'intelligence schématique ajoutent
Chaque couche traite une catégorie de questions auxquelles le LLM devrait normalement répondre par estimation. Le profilage SI optionnel s'effectue sur vos données Shopify sans modifier votre schéma ni écrire dans votre boutique, et se met à jour automatiquement lorsque vous ajoutez une nouvelle définition de métachamp. Ce que Schema Intelligence apporte et comment elle reste à jour →
Descriptions sélectionnées par l'IA
Description claire et concise de chaque base de données, schéma, table et colonne — générée une seule fois et mise à jour lors de toute modification de votre schéma. Évaluation de la fiabilité : les descriptions rédigées par les utilisateurs sont toujours privilégiées.
colonnes stockées sous forme de STRING — cast ::DOUBLE."
Classification des tableaux
Chaque table est étiquetée FACT (événements transactionnels), DIM (référence descriptive) ou LOOKUP (petites tables de correspondance), plus un domaine d'activité — commerce électronique, marketing, ventes, finance, support et 14 autres.
produits [DIM, domaine : commerce électronique]
Types sémantiques par colonne
Dix-huit types — devise, conversion de chaîne de devise requise, email, date_iso, code_statut, chaîne_liste, pourcentage, identifiant, URL, et plus encore. L'IA génère du SQL adapté au dialecte et approprié à chaque type, y compris prix_total::DOUBLE Aucun LLM à schéma nu ne réussit.
tags: list_string · created_at: date_iso
Valeurs d'exemple issues de données réelles
Des lignes aléatoires sont apparues au LLM afin qu'il reconnaisse des modèles qu'aucun schéma ne peut montrer : les conventions de formatage, les valeurs encodées, les styles de dénomination et la forme réelle de vos titres de produits, de vos étiquettes client et de vos métadonnées de commande.
« première fois », « abonnement mensuel »]
Détection d'énumérations avec distributions
Les colonnes à faible cardinalité (50 valeurs distinctes ou moins, soit au maximum 5 % de lignes uniques) sont associées à leur liste complète de valeurs, avec le nombre de lignes correspondantes. L'IA ne tient jamais compte de la casse ni de l'orthographe des énumérations Shopify. situation_financière ou statut_exécution.
En attente (18 %) | Remboursés (8 %) | …
Découverte implicite de clés étrangères
L'analyse du chevauchement des données entre les tables détecte les jointures non déclarées comme contraintes DDL, y compris les métachamps personnalisés liant des objets personnalisés à des objets standard. Ces résultats sont stockés avec les clés étrangères formelles et leurs scores de confiance, et renvoyés par qs_get_relationships.
clients.id (chevauchement de 98 %, confiance de 0,97)
Même invite de commande, requête SQL différente
La preuve se trouve dans le code SQL que l'outil d'IA écrit réellement. Même session Cursor, même modèle Claude, même invite. « Quels sont notre chiffre d'affaires et notre panier moyen mensuel pour les 12 derniers mois, uniquement pour les commandes payées, en dollars américains ? » Sans l'intelligence schématique, le LLM doit deviner. Avec elle, le LLM sait que total_price est une chaîne de caractères qui nécessite une conversion, la valeur de l'énumération financial_status est « payé » pas 'complété'et les magasins multidevises ont besoin d'un filtre de devises.
si_recommandation bloquer l'information à l'IA sur ce qui lui manque, y compris une option d'appel unique pour activer l'intégration de systèmes en cours de conversation via qs_request_si_analyse. Comment fonctionne Schema Intelligence et combien de temps cela prend-il ?
Query Streams MCP vs Shopify Storefront MCP
Shopify livre une surface MCP OFFICIELLE appelée Boutique Shopify MCPElle expose l'API de la boutique en ligne (catalogue, produits, collections, données clients publiques) afin que les assistants d'achat IA puissent aider les acheteurs à parcourir les produits, obtenir des recommandations et vérifier la disponibilité des produits. Elle est parfaitement adaptée aux expériences IA destinées aux acheteurs. Il ne visualise pas les données administratives, opérationnelles ou financières. Query Streams Shopify MCP est l'inverse : une interface d'administration en lecture seule pour les opérations, l'analyse, la finance et le support client de Shopify. Les deux serveurs MCP répondent à des problématiques différentes ; voici comment ils se comparent.
| Flux de requêtes Shopify MCP | Boutique Shopify MCP | |
|---|---|---|
| Portée | API d'administration — commandes, finances, opérations, stocks | Vitrine — catalogue, produits, clientèle publique |
| Lire ou écrire | Lecture seule par construction | Lecture seule |
| Cas d'utilisation | Opérations + analyse + finance + support | IA d'achat orientée client |
| Portée multi-magasins | Oui — SQL multi-connecteur inter-magasins | Par magasin |
| Raccords de connexion croisée | Oui — Shopify + Stripe + HubSpot + Postgres | Non |
| Métadonnées du schéma | Descriptions sélectionnées par l'IA, types sémantiques comme currency_string_cast_required, listes de valeurs d'énumération, correspondances de métachamps découvertes par l'IA |
Spécifications de l'API Storefront |
| Piste d'audit | journaux d'événements par appel avec org / utilisateur / clé / portée / latence |
Le périmètre du journal d'audit Shopify dépend de la portée de celui-ci. |
| Données personnalisées (métachamps / métaobjets / données personnalisées des fonctions) | Oui — détecté automatiquement par Schema Intelligence | Couverture par application |
Les deux serveurs MCP coexistent sans problème, et de nombreuses organisations Shopify Plus les déploient tous les deux. Utiliser Shopify Storefront MCP pour des expériences d'achat IA destinées aux acheteurs — des agents IA qui aident les acheteurs à parcourir le catalogue, à obtenir des recommandations de produits ou à répondre à la question « Avez-vous ceci dans ma taille ? » Utilisez les flux de requêtes Shopify MCP Pour les outils d'IA qui interagissent avec votre équipe (opérations, finance, support et analyse) et qui nécessitent des données telles que les commandes, les transactions, les exécutions, la valeur vie client, les niveaux de stock, les remboursements, les codes de réduction et les cartes-cadeaux, en plus du reste de vos données commerciales. Des publics différents, des périmètres différents, et un accès en lecture seule : ces outils se complètent plutôt qu'ils ne se concurrencent.
MCP ne vous convient pas ? Essayez plutôt Nova AI.
Ignorez complètement la configuration JSON : Nova AI est intégré au portail web Query Streams et répond aux mêmes questions d'administration Shopify en langage clair (revenus par produit, SLA d'exécution, fidélisation des cohortes) pour chaque connecteur ajouté, avec le même agent, la même application en lecture seule et la même intelligence de schéma, sans aucune configuration MCP.
Découvrez Nova AIConditions préalables
Avant de commencer, assurez-vous d'avoir :
- Un compte Query Streams gratuit sur mon.querystreams.com.
- L'agent réseau Query Streams installé sur une machine ayant accès à Internet — voir Téléchargez l'agent Query StreamsL'API d'administration de Shopify est accessible de partout, l'agent n'a donc pas besoin d'être connecté à un réseau spécifique.
- Un connecteur de boutique Shopify configuré avec l'agent — voir l'existant Configuration du connecteur API Guides pour l'association d'applications privées. L'agent conserve le jeton d'application privée Shopify et le nom de domaine de votre boutique ; l'outil d'IA n'y accède jamais. Chaque boutique à interroger est un connecteur distinct ; un compte multi-boutiques ajoute donc les connecteurs un par un.
- Tout client d'IA compatible MCP. Ce guide présente Cursor, Claude Desktop, ChatGPT et Grok ; si vous utilisez Windsurf, Zed, Continue, Cline, VS Code Copilot, Codex ou Goose, la configuration reste globalement la même.
- Cinq minutes.
Générer une clé MCP
De la part de /mcp Dans la page Flux de requêtes, créez une clé avec les étendues souhaitées.
Déposez-le dans votre client IA
Un seul extrait JSON pour Cursor, Claude, ChatGPT ou Grok. La même clé partout.
Poser une question
« Quel est notre produit phare en termes de chiffre d'affaires ce mois-ci ? » — L'IA utilise les outils appropriés et vous obtenez la réponse.
Étape 1 : Générer une clé MCP dans les flux de requêtes
Connectez-vous à Query Streams et ouvrez le page MCP (ou connectez-vous d'abord à mon.querystreams.com et cliquez MCP (dans le menu de navigation de gauche). Cliquez Générer une clé, donnez à la clé un nom reconnaissable (quelque chose comme curseur-ordinateur portable ou bureau de Claude), et choisissez les portées que vous souhaitez associer à cette clé :
lire— L'IA peut parcourir les connecteurs et lire les schémas. Indispensable pour tout le reste.analyserL'IA peut profiler les tables et découvrir les relations (valeurs d'exemple, distributions, types sémantiques). Cette fonctionnalité est optionnelle, mais fortement recommandée pour le e-commerce, où il est essentiel de comprendre la structure des données de commandes et la sémantique des colonnes monétaires (prix stockés sous forme de chaînes de caractères, gestion multidevises, statuts énumérés).exécuter— L'IA peut effectivement exécuter des requêtes SQL. Sans cela, elle ne peut lire que les métadonnées du schéma.
Pour un flux de travail classique du type « laisser Claude analyser mes données d'administration Shopify », les trois niveaux de portée sont appropriés. En revanche, pour une clé que vous transmettez à un collègue ou à un client moins digne de confiance, supprimez-la. exécuter et autorisez-les uniquement à consulter. Vous pouvez révoquer n'importe quelle clé à tout moment depuis cette même page ; le client IA le verra. CLÉ_MCP_RÉVOQUÉE Lors de son prochain appel, le fonctionnement s'arrête immédiatement. Il n'y a pas de délai de propagation.
Copiez la clé maintenant : Query Streams l’affiche une seule fois, puis ne conserve qu’un hachage. Si vous la perdez, générez-en une nouvelle. La clé ressemble à ceci : qsmcp_ suivi de 48 caractères aléatoires, ce que votre client IA envoie dans le Clé X-MCP En-tête de requête.
Étape 2 : Ajoutez Query Streams MCP à votre client d’IA
La configuration est identique pour tous les clients compatibles MCP : une entrée de serveur MCP pointant vers https://mcp.querystreams.com avec votre clé dans le Clé X-MCP En-tête. Choisissez votre client ci-dessous.
// Modifier ~/.cursor/mcp.json { "mcpServers": { "flux de requêtes": { "url": "https://mcp.querystreams.com", "en-têtes": { "Clé X-MCP": "qsmcp_CLÉ_PASSER_ICI" } } } }
// Paramètres → Développeur → Modifier la configuration { "mcpServers": { "flux de requêtes": { "url": "https://mcp.querystreams.com", "en-têtes": { "Clé X-MCP": "qsmcp_CLÉ_PASSER_ICI" } } } }
// Paramètres → Applications et connecteurs → Ajouter un MCP URL du serveur https://mcp.querystreams.com En-tête d'authentification Clé X-MCP Valeur d'en-tête qsmcp_COLLER_LA_CLÉ_ICI Nécessite un abonnement ChatGPT payant // (Plus / Pro / Team / Enterprise).
// Grok → Paramètres → Outils { "mcp_servers": [{ "nom": "flux de requêtes", "url": "https://mcp.querystreams.com", "auth_header": "Clé X-MCP", "auth_value": "qsmcp_..." }] }
Redémarrez votre client IA. Au prochain démarrage, il détectera les huit outils Query Streams MCP mentionnés ci-dessus et les affichera dans sa palette d'outils. Dans Cursor et Claude Desktop, vous pouvez le vérifier en saisissant : « liste des connecteurs » — l'IA devrait appeler qs_list_connectors et renvoyez votre ou vos boutiques Shopify (chaque boutique apparaît comme son propre connecteur si vous en avez associé plusieurs) ainsi que tout ce que vous avez configuré.
Étape 3 : Poser une question Shopify à l’IA
Vous n'écrivez pas de SQL : c'est l'IA qui s'en charge. Vous posez une question, l'IA choisit l'outil MCP approprié, l'agent exécute la requête sur vos données d'administration Shopify mises en cache, et la réponse est renvoyée sous forme de texte et de tableaux. Voici trois exemples de requêtes à tester :
commandes à lignes_articles sur numéro_de_commande, castings line_items.price::DOUBLE * quantité pour les revenus, filtres statut_financier = 'payé' et créé_à >= DATE_TRUNC('mois', NOW()), puis regroupe par titre et nom_source pour la répartition des canaux. Vous verrez le tableau de résultats directement dans la page, accompagné d'une interprétation écrite : quels produits sont en croissance, lesquels sont bloqués et de quels canaux chaque produit dépend. Détection d'énumération par Schema Intelligence. situation_financière L'IA a été empêchée d'inclure les commandes remboursées ou en attente dans le total des revenus.commandes aux rangées où statut_financier = 'payé', statut_exécution est nul ou partiel, et créé_à cela fait plus de 5 jours, puis s'enrichit avec le niveau client (à partir de clients.tags — SI aplatit la chaîne délimitée par des virgules en une liste) et la valeur totale de la commande (cast prix_total::DOUBLE), et les commandes triées d'abord par présence d'un tag VIP, puis par valeur totale décroissante. Sous le tableau, l'IA indique généralement quelles commandes correspondent à de véritables non-respects des SLA par rapport aux immobilisations d'entrepôt (articles en dropshipping, produits gravés personnalisés étiquetés comme tels). La requête inverse — « Quels sont les itinéraires de livraison dont le délai médian est le plus long ? » — représente la moitié opérationnelle de ce même flux de travail.clients.tags (via l'aplatissement des listes de SI), avec un taux de réachat à 30/60/90 jours. L'outil d'IA mettra généralement en évidence les cohortes qui s'écartent le plus de la moyenne du canal (les cohortes issues des réseaux sociaux payants se dégradent souvent plus rapidement que celles issues de la recherche organique sur les plateformes par abonnement) et proposera un suivi. « Voulez-vous que j'analyse en détail le groupe le moins performant en fonction de la combinaison de références pour voir ce qu'ils ont acheté en premier ? » Détection d'énumérations par Schema Intelligence devise garantit que les magasins multidevises ne comptabilisent pas deux fois les revenus. USD et EUR commandes de la même cohorte.Lors du premier appel à un outil par l'IA, votre client peut afficher une fenêtre de confirmation vous demandant d'approuver cet appel. Il s'agit du flux de consentement standard de MCP, et non d'une fonctionnalité ajoutée par Query Streams. Une fois l'approbation donnée, l'IA poursuivra la conversation sans problème. Vous pouvez modifier ce consentement à tout moment dans les paramètres de votre client.
Avis de facturation transparent : l’utilisation de MCP est facturée en octets non compressés.
Les modules complémentaires Excel et Google Sheets de Query Streams, ainsi que son générateur de requêtes web et Nova AI, fonctionnent tous via notre connexion cloud compressée ; nous mesurons et facturons en conséquence. octets compressés par rapport à votre environnement de données. Le transport MCP (HTTP en flux continu, conformément à la spécification MCP officielle) ne prend pas en charge de manière fiable la compression de bout en bout sur tous les clients et proxys intermédiaires. C'est pourquoi nous mesurons et facturons. octets non compressés pour le trafic MCP.
- Ce que cela signifie : Une requête analytique Shopify de 2,5 Mo (commandes et articles combinés des 12 derniers mois pour l'ensemble de vos boutiques) occupe environ 2,5 Mo de votre espace de stockage lorsqu'elle est récupérée via MCP, contre seulement 300 à 500 Ko via Excel, Sheets, Nova ou le générateur de requêtes. Les réponses de l'API d'administration Shopify contiennent beaucoup de chaînes d'énumération, d'horodatages et d'attributs de produits ; l'utilisation de LZ4 sur la connexion cloud permet généralement de réduire de 6 à 8 fois la taille des agrégats de commandes. Le modèle de fraîcheur du cache DuckDB déduplique les appels à l'API Shopify, vous évitant ainsi de consommer deux fois le quota quotidien de 100 000 appels. Mêmes données, transport différent, taille facturable différente.
- Ce que ceci n'est pas : Nous ne facturons aucune majoration ni pénalité pour l'utilisation de MCP. Nous facturons le volume réel de données transmises. Les autres clients sont moins chers car la compression fonctionne de manière fiable sur ces protocoles ; nous ne vous pénalisons pas pour le choix du protocole, mais nous devons être transparents quant à l'impact sur les coûts.
- Ce que vous pouvez faire : Pour les exportations récurrentes de très grande taille (par exemple, les tableaux croisés de commandes pluriannuelles, de lignes de commande et de transactions de plusieurs boutiques), privilégiez Excel/Sheets/Nova. Pour les appels à des outils d'IA interactifs (comme l'agrégat Shopify classique de 100 à 5 000 lignes, adapté à un contexte LLM), MCP est la solution idéale, et la différence de coût est minime.
Foire aux questions
Dois-je ouvrir des ports ou utiliser un VPN pour cela ? +
https://mcp.querystreams.com depuis l'internet public — si le protocole HTTPS sortant fonctionne sur l'hôte de l'agent, MCP fonctionne. Découvrez comment fonctionne une connexion sortante uniquement →
Quels outils d'IA puis-je utiliser avec Query Streams MCP ? +
Puis-je révoquer une clé MCP ? +
/mcp page, par organisation via les paramètres du plan et au niveau de la plateforme), aucune de ces options ne nécessitant une rotation de votre jeton d'application privée Shopify ni un redémarrage de l'agent. Plus d'informations sur la sécurité des clés MCP →
Comment l'utilisation de MCP est-elle facturée en fonction de mon espace de données ? +
octets compressésMCP fonctionne via Streamable HTTP, qui ne prend pas en charge de manière fiable la compression de bout en bout pour tous les clients et proxys. Par conséquent, nous facturons octets non compressésUne requête analytique Shopify de 2,5 Mo renvoyée à Excel consomme généralement entre 300 et 500 Ko de données (les données de l'API d'administration Shopify contenant des chaînes d'énumération, des horodatages et des attributs de produit répétés sont compressées 6 à 8 fois grâce au LZ4). Le même résultat de 2,5 Mo renvoyé à Cursor via MCP consomme environ 2,5 Mo. Nous préférons être transparents à ce sujet afin que vous soyez informés dès le départ plutôt que d'avoir une mauvaise surprise à la fin de votre cycle de facturation.
Est-ce que Query Streams MCP fonctionne avec mes données personnalisées Shopify Plus / Shopify Advanced / Shopify standard, mes boutiques multiples et mes fonctions Shopify ? +
entreprises B2B, marchés, métaobjets) sur Shopify Plus, et Schema Intelligence les détecte automatiquement lorsqu'ils sont présents. Multi-magasins : Chaque boutique Shopify est un connecteur distinct avec son propre jeton d'application privé ; le LLM peut interroger shopify_us contre shopify_eu par nom, ou exécutez des agrégats inter-magasins en combinant les résultats de plusieurs connecteurs dans une seule requête SQL. Données personnalisées des fonctions Shopify (Les métadonnées, les méta-objets et les données personnalisées de la boutique associées aux commandes, produits, clients et variantes) sont automatiquement détectés par Schema Intelligence — l'analyse SI lit définitions de métachamps et définitions de méta-objets, puis les présente sous forme de colonnes SQL propres avec des noms conviviaux. Métachamps personnalisés sur commandes / produits / clients sont aplaties automatiquement et interrogeables comme n'importe quelle autre colonne. Jointures d'objets personnalisés à des objets standard (par exemple, lier un objet personnalisé conditions de garantie métaobjet à commandes) fonctionnent en SQL exactement comme n'importe quelle autre jointure.
En quoi cela diffère-t-il du fait d'exécuter moi-même un serveur Shopify MCP open-source ? +
prix_total::DOUBLE conversion string-money, filtrage prenant en compte les énumérations sur situation_financière / statut_exécutionet la normalisation multidevises intégrée. Vous bénéficiez également de l'intelligence de schéma, de l'application du mode lecture seule au niveau de l'agent, des limites de débit par clé et d'un journal d'audit. journaux d'événements, et le même pipeline de facturation de domaine de données que vous utilisez déjà — autant d'éléments qu'un MCP direct ne vous offre pas.
Que se passe-t-il si l'IA tente d'écrire ou de supprimer des données ? +
qs_run_query L'appel est analysé par un validateur en lecture seule codé en dur qui n'autorise que SELECTIONNER, AVEC, et EXPLIQUER instructions ; tout autre retour VIOLATION EN LECTURE SEULE et n'atteint jamais les tables Shopify mises en cache. Le validateur s'exécute dans le processus de l'agent, et non dans le cloud ; une faille de sécurité dans le cloud ne pourrait donc pas le contourner. Une seconde couche de sécurité s'y ajoute : les opérations d'écriture/modification de l'interface d'administration Shopify (création de commandes, émission de remboursements, traitement des commandes, ajustement des stocks, modification des produits, application de remises) ne sont tout simplement pas exposées à l'interface MCP ; l'agent effectue uniquement des appels API d'administration en lecture seule vers Shopify. Ainsi, même si le validateur était contourné, le LLM n'aurait aucun moyen de modifier votre boutique.
Puis-je voir la question exacte posée par l'IA ? +
journaux d'événements avec l'organisation, l'utilisateur, la clé, la portée, la latence et le code de résultat. L'administrateur de l'organisation peut répondre à la question « Qui a utilisé MCP la semaine dernière, quel connecteur et quelle question a-t-il posée ? » en une seule requête. Notez que nous enregistrons les informations suivantes : nom et métadonnées de l'outilIl ne s'agit pas du texte SQL ni des lignes renvoyées ; ces éléments transitent par la connexion cloud et ne sont jamais enregistrés dans les journaux du cloud. L'API d'administration de Shopify expose son propre journal d'audit (la ressource « events »), mais celui-ci est spécifique à chaque boutique et pas toujours suffisamment détaillé pour retracer une requête MCP spécifique. Par conséquent, pour les activités inter-boutiques, l'agent… journaux d'événements Il s'agit de l'audit unifié le plus clair que vous puissiez obtenir sur « qu'est-ce que l'IA a demandé, à quelle boutique Shopify et quand ? » — la réponse se trouve dans votre propre base de données, et non répartie entre un administrateur Shopify par boutique.
Dois-je exécuter Schema Intelligence pour utiliser Query Streams MCP ? +
(connecteur, base de données) paireet MCP fonctionne parfaitement sans cela. L'IA reçoit un schéma minimal (types, clés primaires, clés étrangères formelles, index) et écrit des requêtes basiques. Avec l'intégration système activée, l'IA reçoit six couches supplémentaires de métadonnées organisées : (1) Des descriptions générées par l'IA pour chaque base de données, table et colonne ; (2) classifications de tables (FACT pour les événements transactionnels, DIM pour les références descriptives, LOOKUP pour les petits mappages de codes) plus une balise de domaine d'activité (commerce électronique, ventes, marketing, finance, support et 14 autres) ; (3) un type sémantique sur chaque colonne (currency, currency_string_cast_required, email, date_iso, status_code, list_string, percentage, identifier, url, person_name, et 8 autres) qui permet une génération SQL correcte selon le dialecte ; (4) des valeurs d'exemple issues de vos données réelles afin que le LLM reconnaisse des modèles qu'aucun schéma ne peut montrer ; (5) Détection d'énumérations avec distribution complète des valeurs pour les colonnes à faible cardinalité ; et (6) Les clés étrangères découvertes par l'IA à partir du chevauchement des données entre les tables ont été mises en évidence par qs_get_relationshipsSans SI, chaque réponse d'outil de schéma contient également un si_recommandation En listant précisément ce qui manque à l'appel, l'IA peut lire cela et proposer de déclencher l'intégration de l'IA en cours de conversation via qs_request_si_analyseLe temps d'exécution varie en fonction du nombre de tables : une petite boutique Shopify de moins de 100 tables (surfaces standard uniquement, sans méta-objets) s'exécute en une dizaine de minutes ; une boutique de taille moyenne (quelques centaines de tables, y compris les colonnes aplaties des métachamps) termine en 15 à 25 minutes ; une boutique Shopify Plus avec plus de 1 500 tables, de nombreuses définitions de méta-objets et des données personnalisées Shopify Functions peut nécessiter entre 45 et 60 minutes pour une analyse complète. SI s'exécute via votre agent réseau sur vos données (jamais dans le cloud), n'écrit jamais dans votre boutique Shopify, ne modifie jamais votre schéma et s'actualise de manière incrémentielle lorsque votre schéma change. Ainsi, les exécutions suivantes, après l'ajout ou la modification de définitions de métachamps, sont beaucoup plus rapides que la première. Résultat : avec SI activé, votre client IA écrit du SQL correct du premier coup beaucoup plus souvent qu'avec n'importe quel serveur « MCP pour X » qui se contente de fournir le LLM. schéma_information.
Et si j'ajoute un autre connecteur plus tard, comme Stripe ou PostgreSQL ? +
qs_list_connectors (Il le récupère automatiquement). Un seul bloc de configuration couvre l'intégralité de votre compte, actuel et futur. Pourquoi une seule touche couvre tous les connecteurs →
Dois-je configurer MCP juste pour discuter avec mes données ? +
Pourquoi utiliser Query Streams MCP pour les données Shopify si Shopify propose Storefront MCP ? +
shopify_us, shopify_eu, et shopify_apac Magasins en une seule prise. Le MCP de la façade est par magasin. (3) Portée du connecteur transversal. Combinez les commandes Shopify avec vos données de facturation Stripe, vos contacts HubSpot CRM et votre catalogue de produits Postgres dans une même conversation Claude. Demandez : « Associez les clients Shopify aux contacts HubSpot et indiquez-moi quels clients payants ont des tickets de support ouverts » — une jointure à trois voies entre fournisseurs. Storefront MCP ne voit que les données de la boutique Shopify. Ils coexistent bien. Utilisez Storefront MCP pour les expériences d'achat IA destinées aux clients ; utilisez Query Streams MCP pour les flux de travail IA contextuels liés aux opérations, à la finance, à l'analyse et au support client. De nombreuses organisations Shopify Plus déploient les deux.
Commencer
Connectez votre outil d'IA à vos données d'administration Shopify en cinq minutes.
Une seule clé MCP permet d'accéder à Shopify, à toutes les bases de données et à tous les autres connecteurs API de votre compte Query Streams, avec un historique complet des modifications, des limites de requêtes par clé, des requêtes inter-boutiques et aucune modification du pare-feu. Claude, Cursor, ChatGPT et Grok sont compatibles immédiatement.
Guides associés : Téléchargez l'agent Query Streams | Configuration du connecteur API | Tous les guides du serveur MCP | Nova AI text-to-SQL
Catégorie : Serveur MCP
Mots-clés : mcp, Claude, curseur, Shopify, connecteur API, e-commerce, administration Shopify, interface de boutique Shopify (mcp), multi-boutiques, interface de boutique en lecture seule (mcp)
Description : Interrogez les données d’administration Shopify avec Claude ou Cursor via MCP. Bases de données SQL mises en cache, multi-boutiques, aucune faille de sécurité au niveau du pare-feu. Gratuit.
English 
Spanish 
German 
French 
Portuguese 
Japanese 
Korean 
Chinese 
Italian 
Dutch 
Indonesian 
Polish