View Categories

Cara Menghubungkan PostgreSQL ke Claude atau Cursor melalui MCP

Waktu baca 24 menit

SERVER MCP POSTGRESQL

Meng querying PostgreSQL dengan Claude atau Kursor melalui MCP.

Ajukan pertanyaan dalam bahasa Inggris sederhana tentang data Postgres Anda — penggabungan, agregasi, introspeksi skema, kinerja kueri — tanpa mengekspos string koneksi ke vendor AI atau membuka port firewall di jaringan Anda.

Tidak ada lubang firewall. Satu kunci, setiap konektor Data langsung, tanpa jeda cache. Bawa alat AI Anda sendiri
Mulai Gratis Telusuri semua panduan MCP
Lihat semua yang dapat dilakukan Query Streams di luar panduan ini Mulai Gratis
Dukungan
SQL Server PostgreSQL MySQL MariaDB SQLite MS Access Oracle BigQuery DuckDB
+ lagi
Excel Lembar
Data Langsung

Mengganti ekspor dengan SQL sesuai permintaan

Excel Lembar
Nova
Analisis BI & AI

Tanya Nova, dapatkan grafik SQL +

Temui Nova
API REST
API REST Basis Data

Satu kunci per mitra. Tidak ada kredensial yang dibagikan.

Membangun API
Airtable Lembar pintar Baserow SeaTable + lagi
Otomatisasi

Sinkronisasi terjadwal ke 6+ platform

Jelajahi
Stripe HubSpot Shopify GA + lagi
API ke SQL

Kueri API dengan SQL, tanpa kode

Jelajahi
MCP Claude Kursor ChatGPT Grok + lagi
Basis Data AI MCP

Claude, Cursor, ChatGPT & Grok berbicara dengan data Anda.

Hubungkan AI

Query Streams adalah platform integrasi data real-time yang aman yang membawa setiap basis data dan API SaaS di akun Anda ke Claude, Cursor, ChatGPT, dan Grok — melalui satu kunci MCP tanpa perubahan firewall. Panduan ini akan menjelaskan cara menghubungkan konektor PostgreSQL secara khusus, sehingga alat AI Anda dapat menjawab pertanyaan dalam bahasa Inggris sederhana tentang pesanan, pelanggan, produk, dan data Postgres lainnya — penggabungan, agregasi, eksplorasi skema, kinerja kueri — tanpa Anda perlu menyalin dan menempel ekspor CSV dari pgAdmin atau DBeaver. Pelajari selengkapnya di QueryStreams.com dan Daftar gratis untuk mulai mengajukan pertanyaan Postgres sungguhan kepada alat AI Anda.

Apa yang diberikan Query Streams MCP untuk PostgreSQL?

Server “PostgreSQL MCP” lainnya di ranah sumber terbuka menghubungkan alat AI langsung ke string koneksi Postgres. Itu berfungsi, tetapi memasukkan kata sandi basis data (atau token IAM) ke dalam konfigurasi klien AI Anda, membatasi alat AI hanya pada satu klaster Postgres tersebut, dan tidak memberi Anda jejak audit tentang apa yang sebenarnya diminta oleh AI. Query Streams MCP memecahkan masalah yang lebih luas: satu kunci, setiap konektor, jejak audit lengkap, dan alat AI tidak pernah menyimpan kredensial Postgres Anda.

Tidak ada celah firewall masuk.

Agen Jaringan membuka satu tautan cloud terenkripsi keluar ke Query Streams. Klien AI Anda terhubung ke cloud, bukan ke host Postgres Anda. Tidak ada port yang perlu dibuka, tidak ada IP yang perlu diizinkan, tidak ada VPN, tidak ada listener Postgres yang terekspos ke internet publik.

Satu kunci, setiap konektor

Kunci MCP yang sama menjangkau setiap basis data dan API SaaS yang terhubung dengan akun Anda. Tambahkan konektor Stripe atau Snowflake besok dan alat AI akan melihatnya di samping tabel Postgres Anda tanpa perlu memasukkan kunci ulang.

Kecerdasan Skema terintegrasi

AI tersebut melihat deskripsi yang dikurasi AI, tipe semantik, daftar nilai enum, dan kunci asing yang ditemukan untuk setiap kolom Postgres — bukan hanya sekadar teks biasa. skema_informasi output. Ia menulis SQL yang akurat pada percobaan pertama, bahkan pada skema lama dengan nama kolom yang rumit.

Mode baca saja diberlakukan di agen.

Bahkan seorang LLM yang berhalusinasi pun tidak bisa menerbitkannya. MENGHAPUS, MEMPERBARUI, atau MEMOTONG melalui Query Streams MCP. Agen Jaringan menolak apa pun yang tidak sesuai. PILIH, DENGAN, atau MENJELASKAN sebelum Postgres melihat SQL tersebut.

Batasan laju per tombol

Secara default, 60 permintaan per menit dan 10 panggilan eksekusi per menit, dapat dikonfigurasi per kunci. Perulangan panggilan alat AI yang tak terkendali akan mengenai token bucket, bukan kumpulan koneksi Postgres Anda atau tagihan AWS RDS Anda.

Cara kerjanya tanpa membuka port firewall

Query Streams Network Agent adalah program kecil yang Anda instal sekali pada mesin yang dapat terhubung ke klaster PostgreSQL Anda (laptop apa pun, server lokal, instance EC2, Azure VM, atau cloud VM di VPC yang sama dengan Postgres Anda). Program ini melakukan satu panggilan TLS keluar ke cloud dan menjalankan SQL terhadap Postgres melalui jaringan lokal menggunakan protokol Postgres standar — tidak ada lalu lintas masuk, tidak ada yang terekspos, dan alat AI tidak pernah melihat string koneksi Postgres Anda. Cara kerja arsitektur khusus keluar →

Klien AI

Kursor, Claude,
ChatGPT, Grok

Server QS MCP

Streaming HTTP
Otentikasi X-MCP-Key

Agen Jaringan

Di jaringan Anda
Tautan awan keluar

PostgreSQL

String koneksi
dipegang oleh agen

Tidak diperlukan port masuk — agen melakukan panggilan keluar, bukan sebaliknya.

Kunci MCP yang Anda berikan kepada Cursor atau Claude bersifat terbatas (scoped).membaca / menganalisa / menjalankan), dapat dicabut kapan saja, dan dibatasi laju per kunci. Alat AI memanggil alat MCP ini untuk melakukan pekerjaannya:

querystreams-mcp · katalog alat
qs_daftar_organisasimembaca
Mengembalikan organisasi yang terikat pada kunci pemanggil.
qs_list_agentsmembaca
Mencantumkan agen jaringan dan status online.
konektor_daftar_qsmembaca
Menampilkan daftar konektor data (satu entri per server basis data atau API).
qs_get_connector_schemamembaca
Mengembalikan basis data PostgreSQL, skema, tabel, dan kolom yang dapat diakses oleh AI, dengan pengayaan Kecerdasan Skema jika tersedia.
tabel_profil_qsmenganalisa
Nilai sampel, distribusi, deteksi enum, tipe semantik — sesuai permintaan.
qs_list_saved_queriesmembaca
Template SQL berparameter siap pakai yang dipercaya oleh tim. AI menjalankannya tanpa pernah melihat kode SQL-nya.
qs_run_saved_querymenjalankan
Menjalankan kueri yang tersimpan dengan kunci pola dengan penggantian parameter opsional.
qs_jalankan_kuerimenjalankan
Menjalankan perintah SELECT terhadap sebuah konektor. Validator baca-saja berjalan di agen, sebelum Postgres melihat SQL tersebut.

Mengapa Schema Intelligence membuat Query Streams MCP berbeda?

Sebagian besar server “MCP for Postgres” di ranah sumber terbuka memberikan alat AI Anda hal yang sama. skema_informasi Postgres memberikan sesuatu yang asing. Nama kolom. Tipe data. Mungkin kunci utama. LLM dibiarkan menebak apa status_id = 3 artinya, apa usr_eml toko, atau apakah item_pesanan sebenarnya bergabung dengan orders.id (tidak ada foreign key yang pernah dideklarasikan dalam kedua kasus). Itulah mengapa SQL pertama yang ditulis sebagian besar LLM terhadap skema kosong salah — bukan karena LLM-nya buruk, tetapi karena tidak memiliki data yang dibutuhkan agar benar.

Query Streams MCP mengembalikan skema yang sama yang diperkaya dengan apa yang kami sebut Kecerdasan Skema (SI) — Metadata yang dikurasi AI yang dihasilkan dengan menjalankan kueri pembuatan profil terhadap data Anda sebenarnya Data Postgres sebelum klien AI memintanya. Saat SI diaktifkan pada konektor dan basis data, setiap alat skema yang dipanggil AI (qs_get_connector_schema, qs_get_table_schema, tabel_profil_qs, qs_get_relationships) mengembalikan skema dasar ditambah enam lapisan pengetahuan yang telah dikurasi. LLM menghentikan proses menebak-nebak.

Untuk memperjelas hal ini, berikut adalah apa yang diterima klien AI dari satu permintaan saja. qs_get_table_schema melakukan panggilan terhadap skema e-commerce Postgres yang umum (pesanan, item baris, pelanggan, produk) — pertama tanpa Schema Intelligence, lalu dengan Schema Intelligence.

Tanpa Kecerdasan Skema sumber_data: skema_tertangkap
// apa yang dilihat LLM == TABEL: pesanan == – id bilangan bulat [PK, BUKAN NULL] – ID pelanggan bilangan bulat TIDAK NULL – total numerik(10,2) TIDAK NULL – status varchar(20) TIDAK NULL – dibuat pada stempel waktu TIDAK NULL – dikirim_di cap waktu == TABEL: item_baris == – id bilangan bulat [PK] – order_id bilangan bulat TIDAK NULL – ID produk bilangan bulat TIDAK NULL – jumlah bilangan bulat TIDAK NULL - harga satuan numerik(10,2) TIDAK NULL == TABEL: pelanggan == – id bilangan bulat [PK] – email varchar(255) – nama teks == TABEL: produk == – id bilangan bulat [PK] – nama teks – sku varchar(64) Kunci Asing: (tidak ada yang dinyatakan) rekomendasi si: negara: “tidak_dijalankan” Yang Anda lewatkan untuk panggilan ini: – Kunci asing yang ditemukan AI – Nilai sampel per kolom + deteksi enum – Deskripsi tabel dan kolom – Klasifikasi tipe semantik – Penandaan domain bisnis Catatan: “Hanya tipe, tanpa konteks semantik”
Dengan Kecerdasan Skema sumber_data: kecerdasan_skema
// apa yang dilihat LLM == TABEL: pesanan [FAKTA, domain:penjualan] == “Baris header pesanan pelanggan; satu per proses pembayaran. Total adalah total keseluruhan pesanan dalam USD.” - pengenal bilangan bulat [PK] pengidentifikasi – ID pelanggan bilangan bulat pengidentifikasi FK -> customers.id (tumpang tindih 100%, conf 0.99) – total numerik(10,2) mata uang Rentang: 0,00 – 4.820,00 · rata-rata 142,30 – status varchar(20) kode_status (enum) Dibayar (62%) | Dikirim (28%) | Dikembalikan (6%) | Tertunda (4%) – dibuat pada cap waktu tanggal_iso Contoh: 2026-04-28 14:02:11+00 – dikirim_di cap waktu tanggal_iso (dapat bernilai null) == TABEL: item_baris [FAKTA, domain:penjualan] == “Satu baris per produk per pesanan. Pendapatan = JUMLAH(kuantitas * harga_satuan).” – order_id bilangan bulat pengidentifikasi FK -> orders.id (tumpang tindih 98%, kepercayaan 0,95) – ID produk bilangan bulat pengidentifikasi FK -> products.id (tumpang tindih 100%, conf 0.99) – jumlah bilangan bulat menangkal - harga satuan numerik(10,2) mata uang == TABEL: pelanggan [DIM, domain:pelanggan] == – email varchar(255) email Contoh: [email protected], [email protected] – nama teks nama_orang == TABEL: produk [DIM, domain:produk] == – nama teks konten teks – sku varchar(64) pengidentifikasi Contoh: ['QS-001-MINT','QS-014-DARK','QS-027-AMBER']

Kecerdasan Skema enam lapisan menambahkan

Setiap lapisan menangani kelas pertanyaan yang biasanya ditebak oleh LLM. Proses pembuatan profil SI yang bersifat opsional berjalan hanya baca terhadap data Postgres Anda tanpa mengubah skema atau menulis ke basis data Anda, dan diperbarui secara bertahap ketika skema Anda berubah. Apa yang ditambahkan oleh Schema Intelligence dan bagaimana cara agar tetap mutakhir →

Deskripsi yang dikurasi oleh AI

Penjelasan sederhana dan mudah dipahami untuk setiap basis data, skema, tabel, dan kolom — dibuat sekali, diperbarui saat skema Anda berubah. Dinilai berdasarkan tingkat kepercayaan; deskripsi yang dibuat pengguna selalu diutamakan.

pesanan: “Header pesanan pelanggan;
satu baris per kasir.”

Klasifikasi tabel

Setiap tabel diberi tag FACT (peristiwa transaksional), DIM (referensi deskriptif), atau LOOKUP (peta kode kecil), ditambah domain bisnis — penjualan, SDM, SEO, keuangan, dukungan, dan 14 lainnya.

pesanan [FAKTA, domain:penjualan]
pelanggan [DIM, domain:customers]

Tipe semantik per kolom

Delapan belas tipe — mata uang, email, tanggal_iso, kode_status, persentase, posisi_peringkat, pengidentifikasi, url, nama_orang, dan banyak lagi. AI menghasilkan SQL Postgres yang sesuai dengan dialek masing-masing tipe.

total: mata uang · email: email
dibuat pada: tanggal_iso

Nilai sampel dari data nyata

Baris-baris acak ditampilkan ke LLM sehingga dapat mengenali pola yang tidak dapat ditunjukkan oleh skema apa pun — konvensi pemformatan, nilai yang dikodekan, gaya singkatan, dan bentuk sebenarnya dari string Anda.

SKU: ['QS-001-MINT', 'QS-014-DARK',
'QS-027-AMBER']

Deteksi enum dengan distribusi

Kolom dengan kardinalitas rendah (50 nilai berbeda atau kurang, paling banyak 5% baris unik) dipetakan ke daftar nilai lengkapnya dengan jumlah baris. AI tidak pernah menebak huruf besar/kecil atau ejaan.

Status: Terbayar (62%) | Terkirim (28%)
| Dikembalikan (6%) | Tertunda (4%)

Penemuan kunci asing implisit

Analisis tumpang tindih data lintas tabel menemukan penggabungan yang tidak dideklarasikan sebagai batasan DDL. Disimpan bersama dengan kunci asing formal dengan skor kepercayaan, dikembalikan oleh qs_get_relationships.

line_items.order_id -> orders.id
(Tumpang tindih 98%, kepercayaan 0,95)

Perintah yang sama, SQL yang berbeda.

Buktinya ada pada SQL yang sebenarnya ditulis oleh alat AI tersebut. Sesi Cursor yang sama, model Claude yang sama, perintah yang sama — “Apa saja 5 produk teratas berdasarkan pendapatan dalam 30 hari terakhir?” Tanpa Kecerdasan Skema, LLM harus menebak. Dengan adanya Kecerdasan Skema, LLM mengetahuinya.

Tanpa Kecerdasan Skema
— Upaya pertama LLM melawan skema dasar: PILIH ID produk, JUMLAH(harga satuan) AS pendapatan DARI item baris DI MANA dibuat pada >= '2024-01-01' PESAN OLEH pendapatan DESC BATAS 5 ✕ KESALAHAN: kolom “created_at” tidak ada ✕ created_at ada pada pesanan, bukan pada item baris. ✕ tidak ada JOIN — line_items tidak diberi cap waktu ✕ SUM(harga_satuan) mengabaikan kuantitas — pendapatan salah ✕ Tanggal yang ditetapkan secara permanen — “30 hari terakhir” bersifat dinamis. ✕ Mengembalikan product_id, bukan nama produk.
Dengan Kecerdasan Skema
— Upaya pertama LLM dengan SI diaktifkan: PILIH ID pengguna, nama pengguna, JUMLAH(li.qty * li.unit_price) AS pendapatan DARI pesanan o GABUNG line_items li ON li.order_id = o.id GABUNG produk p ON p.id = li.product_id DI MANA o.created_at >= SEKARANG() – SELANG '30 hari' KELOMPOKKAN BERDASARKAN ID pengguna, nama pengguna PESAN OLEH pendapatan DESC BATAS 5 ✓ 5 baris. Benar pada percobaan pertama. ✓ Tag FACT/DIM memandu struktur penggabungan. ✓ Penemuan FK memunculkan order_id -> orders.id ✓ created_at melihat tipe semantik = date_iso ✓ Postgres-idiomatic NOW() – INTERVAL '30 days'
Tidak ingin menjalankan Schema Intelligence? MCP masih berfungsi. Tanpa SI, alat skema mengembalikan metadata mentah (tipe, kunci utama, kunci asing formal, indeks) dan setiap respons yang terdegradasi membawa sebuah rekomendasi si Memblokir dan memberi tahu AI secara tepat apa yang kurang — termasuk opsi satu kali panggilan untuk mengaktifkan SI di tengah percakapan melalui qs_request_si_analysisKlien AI Anda dapat menawarkan untuk memicu eksekusi SI (Schema Intelligence) secara langsung (“Apakah Anda ingin saya mengaktifkan Schema Intelligence pada basis data ini terlebih dahulu? Ini berjalan melalui Network Agent Anda di latar belakang dan akan secara dramatis meningkatkan jawaban saya”). Waktu eksekusi berbanding lurus dengan jumlah tabel: Basis data kecil di bawah 100 tabel selesai dalam waktu sekitar 10 menit; basis data ukuran menengah (beberapa ratus tabel) biasanya selesai dalam 15–25 menit; basis data perusahaan besar dengan 1.500+ tabel dapat memakan waktu 45–60 menit untuk pemindaian penuh. Pembaruan selanjutnya setelah perubahan skema bersifat inkremental dan jauh lebih cepat daripada proses pertama. Schema Intelligence bersifat opsional. Kami rasa Anda tidak akan ingin menonaktifkannya.
Nova AI

MCP tidak cocok untuk Anda? Coba Nova AI sebagai gantinya.

Lewati konfigurasi JSON sepenuhnya: Nova AI terintegrasi ke dalam portal web Query Streams. dan mengajukan pertanyaan yang sama dalam bahasa Inggris sederhana di seluruh konektor PostgreSQL Anda — “10 pelanggan teratas berdasarkan nilai seumur hidup,” “pesanan yang belum dikirim selama lebih dari 7 hari”— ditambah setiap konektor lain di akun Anda, dengan agen yang sama, penegakan hanya baca, dan Kecerdasan Skema, dan tanpa infrastruktur MCP.

Temui Nova AI

Prasyarat

Sebelum memulai, pastikan Anda memiliki:

  1. Akun Query Streams gratis di my.querystreams.com.
  2. Agen Jaringan Query Streams diinstal pada mesin yang dapat menjangkau klaster PostgreSQL Anda — lihat Unduh Agen Query Streams.
  3. Konektor PostgreSQL yang dikonfigurasi terhadap agen — lihat yang sudah ada. pengaturan konektor panduan untuk string koneksi. Agen memegang kata sandi Postgres (atau kredensial IAM untuk Postgres terkelola); alat AI tidak pernah menyentuhnya.
  4. Klien AI apa pun yang kompatibel dengan MCP. Kami akan menunjukkan Cursor, Claude Desktop, ChatGPT, dan Grok dalam panduan ini; jika Anda menggunakan Windsurf, Zed, Continue, Cline, VS Code Copilot, Codex, atau Goose, blok konfigurasinya pada dasarnya sama.
  5. Lima menit.
Anda hanya perlu mengatur agen sekali saja. Agen yang sama yang mendukung add-on Excel dan Google Sheets Query Streams, Query Builder web, dan Nova AI juga melayani MCP. Menambahkan MCP ke akun Query Streams yang sudah ada hanya memerlukan pembuatan kunci — agen dan konektor Postgres sudah berjalan.
1

Hasilkan kunci MCP

Dari /mcp Di halaman Query Streams, buat kunci dengan cakupan yang Anda inginkan.

2

Masukkan ke dalam klien AI Anda.

Satu cuplikan JSON untuk Cursor, Claude, ChatGPT, atau Grok. Kunci yang sama di mana pun.

3

Ajukan pertanyaan

“Siapa saja 10 pelanggan teratas kami berdasarkan nilai seumur hidup?” — AI memanggil alat yang tepat, Anda mendapatkan jawabannya.

Langkah 1: Hasilkan kunci MCP di Query Streams

Masuk ke Query Streams dan buka Halaman MCP (atau masuk terlebih dahulu di my.querystreams.com lalu klik MCP (di navigasi sebelah kiri). Klik Hasilkan kunci, beri nama yang mudah dikenali pada kunci tersebut (sesuatu seperti kursor-laptop atau claude-desktop), dan pilih cakupan yang Anda inginkan untuk tombol ini:

  • membaca — AI dapat menelusuri konektor dan membaca skema. Diperlukan untuk semua hal lainnya.
  • menganalisa — AI dapat membuat profil tabel dan menemukan relasi (nilai sampel, distribusi, tipe semantik). Opsional tetapi sangat disarankan untuk pekerjaan Postgres, di mana pemahaman tentang bentuk data Anda penting ketika LLM menghasilkan penggabungan (join).
  • menjalankan — AI tersebut sebenarnya dapat menjalankan SQL. Tanpa ini, AI hanya dapat membaca metadata skema saja.

Untuk alur kerja tipikal "biarkan Claude menganalisis data Postgres saya", ketiga cakupan tersebut sesuai. Untuk kunci yang Anda berikan kepada rekan tim atau klien yang kurang tepercaya, hilangkan menjalankan dan biarkan mereka hanya melihat-lihat. Anda dapat mencabut kunci apa pun kapan saja dari halaman yang sama; klien AI akan melihat KUNCI MCP DICABUT pada panggilan berikutnya dan berhenti bekerja seketika. Tidak ada penundaan propagasi.

Salin kuncinya sekarang — Query Streams menampilkannya sekali, lalu hanya menyimpan hash-nya. Jika Anda kehilangannya, buat yang baru. Kuncinya terlihat seperti ini: qsmcp_ diikuti oleh 48 karakter acak dan itulah yang dikirimkan oleh klien AI Anda. Kunci X-MCP Header permintaan.

Langkah 2: Tambahkan Query Streams MCP ke klien AI Anda

Konfigurasinya memiliki bentuk yang sama di setiap klien yang mendukung MCP — entri server MCP yang mengarah ke https://mcp.querystreams.com dengan kunci Anda di Kunci X-MCP Header. Pilih klien Anda di bawah ini.

Kursor
Kursor ~/.cursor/mcp.json 
// Edit ~/.cursor/mcp.json
{
  "mcpServers": {
    "aliran kueri": {
      "url": "https://mcp.querystreams.com",
      "header": {
        "Kunci X-MCP": "qsmcp_PASTE_KEY_HERE"
      }
    }
  }
}
Claude Desktop
Claude Desktop claude_desktop_config.json 
// Pengaturan → Pengembang → Edit Konfigurasi
{
  "mcpServers": {
    "aliran kueri": {
      "url": "https://mcp.querystreams.com",
      "header": {
        "Kunci X-MCP": "qsmcp_PASTE_KEY_HERE"
      }
    }
  }
}
ChatGPT
ChatGPT Aplikasi & Konektor 
// Pengaturan → Aplikasi & Konektor → Tambahkan MCP
URL Server  https://mcp.querystreams.com
Header otentikasi Kunci X-MCP
Nilai header qsmcp_PASTE_KEY_HERE

// Membutuhkan paket ChatGPT berbayar
// (Plus / Pro / Team / Enterprise).
Grok
Grok Alat MCP Jarak Jauh 
// Grok → Pengaturan → Alat
{
  "server mcp": [{
    "nama": "aliran kueri",
    "url": "https://mcp.querystreams.com",
    "header otentikasi": "Kunci X-MCP",
    "nilai_otorisasi": "qsmcp_..."
  }]
}

Restart klien AI Anda. Pada saat dijalankan berikutnya, klien akan menemukan delapan alat Query Streams MCP yang tercantum di atas dan menampilkannya di palet alatnya. Di Cursor dan Claude Desktop, Anda dapat memverifikasinya dengan mengetik “konektor daftar” — AI harus menelepon konektor_daftar_qs dan kembalikan konektor PostgreSQL Anda beserta semua konfigurasi lain yang telah Anda buat.

Langkah 3: Ajukan pertanyaan PostgreSQL kepada AI

Anda tidak perlu menulis SQL — AI yang melakukannya. Anda mengajukan pertanyaan, AI memilih alat MCP yang tepat, agen menjalankan kueri terhadap basis data Postgres Anda, dan jawabannya akan dikembalikan berupa teks beserta tabel. Tiga contoh perintah untuk dicoba terlebih dahulu:

“Siapa saja 10 pelanggan teratas kami berdasarkan nilai seumur hidup?”
Pelanggan
AI akan menelepon qs_get_connector_schema untuk menemukan tabel orders, line_items, dan customers, kemudian qs_jalankan_kueri dengan perintah SELECT yang menggabungkan pelanggan ke pesanan ke item baris, menghitung JUMLAH(kuantitas * harga_satuan) per pelanggan, dan menampilkan 10 teratas berdasarkan nilai seumur hidup pelanggan. Anda akan melihat tabel hasil secara langsung, ditambah interpretasi tertulis — pelanggan mana yang terkonsentrasi pada produk atau wilayah mana, pola pembelian berulang, ukuran pesanan rata-rata — yang disimpulkan oleh AI dari data tersebut.
“Tunjukkan kepada saya pesanan yang belum dikirim selama lebih dari 7 hari.”
Operasi
AI tersebut menggunakan deteksi enum dari Schema Intelligence pada status pesanan untuk menyaring ke 'dibayar' pesanan yang memiliki nilai NULL dikirim_di dan sebuah dibuat pada lebih tua dari SEKARANG() - INTERVAL '7 hari'Hasilnya adalah daftar terfokus dengan ID pesanan, email pelanggan, total, dan jumlah hari sejak pembayaran — biasanya AI mengurutkan dari yang terlama terlebih dahulu dan menandai yang paling mencurigakan, yaitu... eskalasi tim pemenuhan alih-alih kesalahan pembulatan. Anda dapat memperdalamnya dengan bertanya “Mengapa pesanan 4821 masih tertunda?” dan AI akan mengambil baris yang relevan.
“Bagaimana perbandingan pendapatan bulan ini dengan bulan yang sama tahun lalu?”
Pendapatan
Perbandingan tahun ke tahun dengan total, perubahan persentase, dan rincian per produk atau per kategori jika AI menganggapnya relevan. AI akan menggunakan gaya penulisan Postgres yang umum. DATE_TRUNC('bulan', o.dibuat_pada) dan aritmatika tanggal, dan biasanya akan dilanjutkan dengan “Mau saya buat grafiknya per minggu?” atau “Ingin melihat perbandingan yang sama berdasarkan saluran akuisisi?” Jika Anda memiliki kolom-kolom tersebut di tabel lain. Bersifat percakapan; Anda tidak perlu mengatur ulang konteks antar pertanyaan.

Saat AI pertama kali memanggil suatu alat, klien Anda mungkin akan menampilkan prompt konfirmasi yang meminta Anda untuk menyetujui panggilan alat tersebut — itu adalah alur persetujuan standar MCP, bukan sesuatu yang ditambahkan oleh Query Streams. Setujui sekali dan AI akan melanjutkan percakapan selanjutnya dengan bebas. Anda dapat meninjau kembali persetujuan tersebut kapan saja di pengaturan klien Anda.

Pemberitahuan tagihan yang jujur: Penggunaan MCP dikenakan biaya berdasarkan byte yang tidak terkompresi.

Add-in Excel Query Streams, add-on Google Sheets, Query Builder web, dan Nova AI semuanya berjalan melalui tautan cloud terkompresi kami — kami mengukur dan menagihnya. byte terkompresi terhadap ranah data Anda. Transportasi MCP (Streamable HTTP sesuai spesifikasi resmi MCP) tidak secara andal mendukung kompresi ujung-ke-ujung di setiap klien dan proxy perantara, jadi kami mengukur dan menagihnya. Byte yang tidak dikompresi untuk lalu lintas MCP.

  • Artinya: Kumpulan hasil Postgres berukuran 1 MB akan memakan ruang data sekitar 1 MB saat diambil melalui MCP, dibandingkan dengan sekitar 150–250 KB melalui Excel/Sheets/Nova/Query Builder. Kueri agregat 10.000 baris yang menghasilkan sekitar 2 MB JSON melalui MCP akan menjadi sekitar 300–400 KB byte terkompresi LZ4 melalui klien Excel/Sheets/Nova/Query Builder. Data yang sama, transportasi yang berbeda, ukuran yang dapat ditagih berbeda.
  • Ini bukan: Apakah ini semacam markup atau hukuman karena menggunakan MCP? Kami hanya meneruskan byte aktual yang dikirim. Klien lain lebih murah karena kompresi bekerja dengan andal pada transport tersebut; kami tidak menghukum Anda karena pilihan protokol, tetapi kami harus transparan tentang bentuk biayanya.
  • Yang dapat Anda lakukan: Untuk kueri berulang yang sangat besar (misalnya ekspor 100.000+ baris), lebih baik gunakan jalur Excel/Sheets/Nova. Untuk panggilan alat AI interaktif (respons Postgres tipikal 100–5.000 baris yang sesuai dalam konteks LLM), MCP adalah pilihan yang tepat dan perbedaan biayanya hanya beberapa sen.

Pertanyaan yang sering diajukan

Apakah saya perlu membuka port atau menjalankan VPN untuk menggunakannya? +
Tidak ada aturan masuk, penerusan port, NAT punchthrough, atau VPN. Agen Jaringan membuat satu koneksi TLS keluar (port 443) dan klien AI Anda terhubung. https://mcp.querystreams.com dari internet publik — jika HTTPS keluar berfungsi pada host agen, MCP akan berfungsi. Lihat cara kerja koneksi khusus keluar →
Alat AI apa saja yang dapat saya gunakan dengan Query Streams MCP? +
Klien apa pun yang mendukung protokol Model Context terbuka — Claude Desktop, Claude Code, Cursor, ChatGPT (berbayar), Grok, Gemini CLI, Windsurf, Zed, dan 500+ lainnya. Bawa alat AI Anda sendiri; Anda tidak perlu beralih. Daftar lengkap klien AI yang didukung →
Bisakah saya mencabut kunci MCP? +
Ya — tiga sakelar pemutus independen (per tombol dari /mcp halaman, per-organisasi melalui pengaturan paket, dan tingkat platform), yang semuanya tidak memerlukan rotasi kata sandi basis data atau memulai ulang agen. Selengkapnya tentang keamanan kunci MCP →
Bagaimana penggunaan MCP ditagihkan ke dalam data realm saya? +
Panggilan eksekusi MCP mengurangi anggaran ranah data yang sama dengan yang sudah digunakan oleh Excel, Google Sheets, Web Query Builder, dan Nova AI Anda — satu anggaran konsumsi di setiap metode akses. Ukuran yang diukur untuk MCP berbeda-beda. Klien lainnya menggunakan tautan cloud terkompresi kami (kami yang menagih). byte terkompresi); MCP berjalan melalui Streamable HTTP, yang tidak secara andal mendukung kompresi ujung-ke-ujung melalui setiap klien dan proxy, jadi kami menagih Byte yang tidak dikompresiHasil Postgres berukuran 1 MB yang dikembalikan ke Excel biasanya memakan sekitar 150–250 KB ruang data Anda; hasil 1 MB yang sama yang dikembalikan ke Cursor melalui MCP hanya memakan sekitar 1 MB. Kami transparan mengenai hal ini karena kami lebih suka Anda mengetahuinya di awal daripada terkejut di akhir siklus penagihan.
Apakah Query Streams MCP berfungsi dengan PostgreSQL terkelola saya di AWS RDS, Azure Database for PostgreSQL, atau Google Cloud SQL? +
Ya — Query Streams MCP berfungsi dengan mesin Postgres apa pun yang dapat dijangkau oleh Agen Jaringan melalui TCP, terlepas dari di mana pun ia dihosting. Secara khusus didukung: AWS RDS untuk PostgreSQL, AWS Aurora yang kompatibel dengan PostgreSQL, Azure Database untuk PostgreSQL (Server Tunggal, Server Fleksibel), Google Cloud SQL untuk PostgreSQL, PostgreSQL Terkelola DigitalOcean, dan Postgres yang dihosting sendiri di EC2, Azure VM, Google Compute Engine, atau perangkat keras on-premise. Agen menangani string koneksi — otentikasi IAM, SCRAM-SHA-256, SSL/TLS, sertifikat CA kustom semuanya didukung. Beberapa Agen Jaringan tersedia di seluruh tingkatan langganan, sehingga Anda dapat menyebarkan agen di wilayah atau VPC yang sama dengan setiap klaster Postgres untuk latensi terbaik. Server MCP tidak melihat kredensial; hanya agen yang melihatnya.
Apa perbedaannya dengan menjalankan server PostgreSQL MCP sumber terbuka sendiri? +
Server MCP PostgreSQL langsung (proyek komunitas di GitHub memang ada) adalah satu MCP per sumber data. Untuk membuat Claude membaca dari Postgres Anda + Google Search Console + akun Stripe Anda + gudang data Snowflake Anda, Anda memerlukan empat server MCP yang dikonfigurasi secara terpisah di setiap klien AI, masing-masing dengan kredensialnya sendiri, masing-masing dengan model cakupannya sendiri, masing-masing dengan cerita auditnya sendiri. Query Streams MCP adalah satu kunci yang menjangkau setiap konektor yang telah dipasangkan akun Anda. Anda juga mendapatkan Schema Intelligence, penegakan baca-saja lapisan agen, batasan laju per kunci, jejak audit di log_peristiwa, dan alur penagihan ranah data yang sama yang sudah Anda gunakan — yang semuanya tidak diberikan oleh MCP langsung kepada Anda.
Apa yang terjadi jika AI mencoba menulis atau menghapus data? +
Permintaan tersebut ditolak di agen sebelum sumber data melihat SQL. Setiap qs_jalankan_kueri Panggilan tersebut diuraikan oleh validator baca-saja yang dikodekan secara permanen yang hanya mengizinkan PILIH, DENGAN, dan MENJELASKAN pernyataan; hal lain apa pun akan dikembalikan PELANGGARAN HANYA BACA dan tidak pernah mencapai PostgreSQL. Validator berjalan dalam proses agen di jaringan Anda, bukan di cloud, sehingga permukaan cloud yang disusupi tidak dapat melewatinya. (Anda dapat menambahkan lapisan di sisi Postgres) HANYA UNTUK DIBACA (Gunakan peran di atas jika Anda menginginkan perlindungan ganda — validator agen independen dari peran Postgres apa pun yang telah Anda konfigurasi.)
Bisakah saya melihat apa yang sebenarnya ditanyakan oleh AI? +
Ya. Setiap panggilan alat MCP menulis satu baris ke log_peristiwa dengan informasi organisasi, pengguna, kunci, cakupan, latensi, dan kode hasil. Admin organisasi dapat menjawab pertanyaan “siapa yang menggunakan MCP minggu lalu, konektor mana, dan apa yang mereka tanyakan?” hanya dengan satu kueri. Perhatikan bahwa kami mencatatnya. nama alat dan metadata, bukan teks SQL atau baris yang dikembalikan — itu mengalir melalui tautan cloud dan tidak pernah masuk ke log cloud. Jika Anda menginginkan audit SQL lengkap, aktifkan audit sisi basis data pada mesin yang mendasarinya; khusus untuk Postgres, caranya adalah... pgaudit atau pipeline query-log yang sudah ada.
Apakah saya harus menjalankan Schema Intelligence untuk menggunakan Query Streams MCP? +
TIDAK - Schema Intelligence bersifat opsional per (konektor, basis data) pasangan, dan MCP berfungsi dengan baik tanpa itu. AI mendapatkan skema dasar (tipe, kunci utama, kunci asing formal, indeks) dan menulis kueri dasar. Dengan SI diaktifkan, AI mendapatkan enam lapisan metadata tambahan yang telah dikurasi: (1) Deskripsi yang disusun oleh AI pada setiap basis data, tabel, dan kolom; (2) klasifikasi tabel (FACT untuk peristiwa transaksional, DIM untuk referensi deskriptif, LOOKUP untuk peta kode kecil) ditambah tag domain bisnis (penjualan, SDM, SEO, keuangan, dukungan, dan 14 lainnya); (3) Tipe semantik pada setiap kolom (mata uang, email, date_iso, status_code, persentase, ranking_position, identifier, url, person_name, dan 9 lainnya) yang mendorong pembuatan SQL Postgres yang sesuai dengan dialek; (4) ambil nilai sampel dari data asli Anda sehingga LLM dapat mengenali pola yang tidak dapat ditunjukkan oleh skema apa pun; (5) deteksi enum dengan distribusi nilai penuh untuk kolom berkardinalitas rendah; dan (6) Kunci asing yang ditemukan AI berdasarkan tumpang tindih data lintas tabel, muncul melalui qs_get_relationshipsTanpa SI, setiap respons alat skema juga membawa sebuah rekomendasi si Dengan mencantumkan secara tepat apa yang kurang dalam panggilan tersebut — AI dapat membaca ini dan menawarkan untuk memicu SI di tengah percakapan melalui qs_request_si_analysisWaktu eksekusi berbanding lurus dengan jumlah tabel: basis data kecil di bawah 100 tabel selesai dalam waktu sekitar 10 menit; basis data ukuran menengah (beberapa ratus tabel) selesai dalam 15–25 menit; basis data perusahaan besar dengan 1.500+ tabel dapat memakan waktu 45–60 menit untuk pemindaian penuh. SI berjalan melalui Agen Jaringan Anda terhadap data Anda (tidak pernah di cloud), tidak pernah menulis ke basis data Anda, tidak pernah mengubah skema Anda, dan memperbarui secara bertahap ketika skema Anda berubah — sehingga eksekusi selanjutnya setelah Anda menambahkan atau mengubah tabel jauh lebih cepat daripada yang pertama. Efek ujung-ke-ujung: dengan SI diaktifkan, klien AI Anda menulis SQL yang benar pada percobaan pertama jauh lebih sering daripada terhadap server "MCP for X" mana pun yang hanya memberikan LLM. skema_informasi.
Bagaimana jika saya menambahkan konektor lain nanti, seperti Stripe atau PostgreSQL? +
Tidak ada yang berubah di sisi klien — kunci yang sama mencapai konektor baru pada saat agen memasangkannya (konektor_daftar_qs (diambil secara otomatis). Satu blok konfigurasi membeli seluruh akun Anda, saat ini dan di masa mendatang. Mengapa satu kunci mencakup semua konektor →
Apakah saya harus mengatur MCP hanya untuk mengobrol dengan data saya? +
TIDAK - Nova AI terintegrasi ke dalam portal Query Streams. dan berfungsi dengan semua konektor (termasuk PostgreSQL) tanpa pengaturan MCP atau file konfigurasi. Gunakan Nova untuk berinteraksi dengan data Anda di dalam Query Streams; gunakan MCP saat Anda ingin klien AI Anda sendiri (Claude, Cursor, ChatGPT, …) mengakses data yang sama — agen yang sama, konektor yang sama, dan Schema Intelligence yang sama di baliknya. Pelajari lebih lanjut tentang Nova AI →

Mulai

Hubungkan alat AI Anda ke data PostgreSQL Anda dalam lima menit.

Satu kunci MCP menjangkau PostgreSQL, setiap basis data lainnya, dan setiap konektor API di akun Query Streams Anda — dengan jejak audit lengkap, batasan laju per kunci, dan tanpa perubahan firewall. Claude, Cursor, ChatGPT, dan Grok semuanya berfungsi tanpa perlu konfigurasi tambahan.

Daftar Gratis Unduh Agen

Panduan terkait: Unduh Agen Query Streams | Pengaturan Konektor Basis Data | Semua panduan Server MCP | Konversi teks ke SQL Nova AI

Kategori: Server MCP

Tag: mcp, claude, kursor, postgresql, postgres, postgres-mcp, ai

Deskripsi Meta: Hubungkan Postgres ke Claude atau Cursor melalui Query Streams MCP. Hanya keluar, hanya baca, pengaturan 5 menit.

Updated on 16 Juni 2026
Claude kursor basis data mcp basis data sumber terbuka postgresql

What are your Feelings

  • Happy
  • Normal
  • Sad

Powered by BetterDocs