Categorieën bekijken

Hoe verbind je PostgreSQL met Claude of Cursor via MCP?

Leestijd: 24 minuten

MCP-SERVER PostgreSQL

PostgreSQL bevragen met Claude of Cursor via MCP.

Stel eenvoudige vragen over uw PostgreSQL-gegevens — over joins, aggregaties, schema-inspectie, queryprestaties — zonder verbindingsreeksen aan de AI-leverancier te tonen of firewallpoorten op uw netwerk te openen.

Geen firewall-gaten Eén sleutel, elke connector Live data, geen cachevertraging Neem je eigen AI-tool mee.

Query Streams is een veilig, realtime data-integratieplatform dat elke database en SaaS API in uw account integreert in Claude, Cursor, ChatGPT en Grok — via één enkele MCP-sleutel en zonder dat er firewallwijzigingen nodig zijn. Deze handleiding beschrijft specifiek hoe u de PostgreSQL-connector configureert, zodat uw AI-tool vragen in begrijpelijke taal kan beantwoorden over bestellingen, klanten, producten en andere PostgreSQL-gegevens — zoals joins, aggregaties, schema-exploratie en queryprestaties — zonder dat u CSV-exports vanuit pgAdmin of DBeaver hoeft te kopiëren en plakken. Meer informatie vindt u op QueryStreams.com en gratis aanmelden om je AI-tool echte PostgreSQL-vragen te gaan stellen.

Wat Query Streams MCP je biedt voor PostgreSQL

Andere "PostgreSQL MCP"-servers in het open-sourcelandschap verbinden de AI-tool rechtstreeks met een PostgreSQL-verbindingsreeks. Dat werkt, maar het voegt een databasewachtwoord (of een IAM-token) toe aan de configuratie van uw AI-client, beperkt de AI-tool tot slechts één PostgreSQL-cluster en biedt geen auditlogboek van wat de AI daadwerkelijk heeft opgevraagd. Query Streams MCP lost een breder probleem op: één sleutel, elke connector, een volledig auditlogboek en de AI-tool bewaart nooit uw PostgreSQL-gegevens.

Geen inkomende firewall-gaten

De netwerkagent opent één enkele versleutelde uitgaande cloudverbinding naar Query Streams. Uw AI-client maakt verbinding met de cloud, nooit met uw PostgreSQL-host. Geen poort om te openen, geen IP-adres om toe te voegen aan de whitelist, geen VPN, geen PostgreSQL-listener die is blootgesteld aan het openbare internet.

Eén sleutel, elke connector

Dezelfde MCP-sleutel heeft toegang tot elke database en SaaS-API waarmee uw account is verbonden. Voeg morgen een Stripe- of Snowflake-connector toe en de AI-tool herkent deze direct naast uw PostgreSQL-tabellen zonder dat u de sleutel opnieuw hoeft in te voeren.

Schema-intelligentie ingebouwd

De AI ziet door AI samengestelde beschrijvingen, semantische typen, lijsten met enumeratiewaarden en gevonden foreign keys voor elke PostgreSQL-kolom – niet alleen de kale gegevens. informatie_schema De output is perfect. Het genereert direct accurate SQL, zelfs op oudere schema's met onduidelijke kolomnamen.

Alleen-lezen is verplicht bij de agent.

Zelfs een hallucinerende LLM kan geen VERWIJDEREN, UPDATE, of TRUNCATE via Query Streams MCP. De netwerkagent weigert alles wat niet SELECT, MET, of UITLEGGEN voordat PostgreSQL de SQL-query ooit te zien krijgt.

Per-toets snelheidslimieten

Standaard 60 aanvragen per minuut en 10 uitvoeringsoproepen per minuut, configureerbaar per sleutel. Een oncontroleerbare lus van AI-tooloproepen belast een tokenbucket, niet uw PostgreSQL-verbindingspool of uw AWS RDS-factuur.

Hoe het werkt zonder firewallpoorten te openen

De Query Streams Network Agent is een klein programma dat u eenmalig installeert op een machine die uw PostgreSQL-cluster kan bereiken (elke laptop, on-premise server, EC2-instantie, Azure VM of cloud-VM in dezelfde VPC als uw PostgreSQL). Het programma maakt één uitgaande TLS-verbinding met de cloud en voert SQL-query's uit op PostgreSQL via het lokale netwerk met behulp van het standaard PostgreSQL-protocol — er is geen inkomend verkeer, niets wordt blootgesteld en de AI-tool ziet nooit uw PostgreSQL-verbindingsreeks. Hoe de architectuur voor uitsluitend uitgaand verkeer werkt →

AI-client

Cursor, Claude,
ChatGPT, Grok

QS MCP-server

Streambare HTTP
X-MCP-sleutel authenticatie

Netwerk Agent

Op uw netwerk
Cloud-verbinding uit

PostgreSQL

Verbindingsreeks
in bewaring bij de agent

Geen inkomende poort nodig — de agent belt uit, nooit andersom.

De MCP-toets die je aan Cursor of Claude geeft, is beperkt (lezen / analyseren / uitvoeren), op elk moment herroepbaar en met een limiet per sleutel. De AI-tool roept deze MCP-tools aan om zijn werk te doen:

querystreams-mcp · toolcatalogus
qs_list_organizationslezen
Retourneert de organisatie die is gekoppeld aan de aanroepende sleutel.
qs_list_agentslezen
Geeft een overzicht van netwerkagenten en hun online status.
qs_list_connectorslezen
Geeft een overzicht van data-connectoren (één item per databaseserver of API).
qs_get_connector_schemalezen
Geeft de PostgreSQL-databases, schema's, tabellen en kolommen terug die de AI kan bevragen, met Schema Intelligence-verrijking indien beschikbaar.
qs_profiel_tabelanalyseren
Voorbeeldwaarden, verdelingen, enumeratiedetectie, semantische typen — op aanvraag.
qs_list_saved_querieslezen
Voorgebouwde, geparameteriseerde SQL-sjablonen die het team vertrouwt. De AI voert ze uit zonder ooit de SQL-code te zien.
qs_run_saved_queryuitvoeren
Voert een opgeslagen query uit door patroon_sleutel met optionele parameteroverrides.
qs_run_queryuitvoeren
Voert een SELECT-query uit op een connector. Een alleen-lezen validator wordt uitgevoerd op de agent, voordat PostgreSQL de SQL-query te zien krijgt.

Waarom Schema Intelligence Query Streams MCP anders maakt

De meeste "MCP for Postgres"-servers in het open-source landschap bieden uw AI-tool dezelfde mogelijkheden. informatie_schema Postgres geeft een onbekende in handen. Kolomnamen. Gegevenstypen. Misschien een primaire sleutel. De LLM moet maar raden wat er aan de hand is. status_id = 3 betekent, wat usr_eml winkels, of dat regel_items.order_id sluit zich daadwerkelijk aan bij orders.id (er is in beide gevallen nooit een foreign key gedeclareerd). Daarom is de eerste SQL-query die de meeste LLM's uitvoeren op een kaal schema onjuist — niet omdat de LLM zelf slecht is, maar omdat deze niet over de benodigde gegevens beschikt om de query correct uit te voeren.

Query Streams MCP retourneert hetzelfde schema, verrijkt met wat wij noemen Schema-intelligentie (SI) — Door AI samengestelde metadata die wordt gegenereerd door profileringsquery's uit te voeren op uw gegevens. werkelijke Postgres-gegevens voordat de AI-client erom vraagt. Wanneer SI is ingeschakeld op een connector en database, worden alle schematools die de AI aanroept (qs_get_connector_schema, qs_get_table_schema, qs_profiel_tabel, qs_get_relationships) retourneert het kale schema plus zes lagen van samengestelde kennis. De LLM maakt een einde aan het giswerk.

Om dit concreet te maken, volgt hier wat de AI-client terugkrijgt van een enkele opdracht. qs_get_table_schema een aanroep doen tegen een typisch PostgreSQL e-commerce schema (bestellingen, regelitems, klanten, producten) — eerst zonder schema-intelligentie, daarna mét.

Zonder schema-intelligentie data_source: vastgelegd_schema
// Wat de LLM ziet == TABEL: bestellingen == – id geheel getal [PK, NIET NULL] – klant_id geheel getal NIET NULL – totaal numeriek(10,2) NIET NULL – status varchar(20) NOT NULL – aangemaakt_op tijdstempel NIET NULL – verzonden_op tijdstempel == TABEL: regelitems == – id geheel getal [PK] – order_id geheel getal NIET NULL – product_id geheel getal NIET NULL – aantal geheel getal NIET NULL – eenheidsprijs numeriek(10,2) NIET NULL == TABEL: klanten == – id geheel getal [PK] – e-mail varchar(255) - naam tekst == TABEL: producten == – id geheel getal [PK] - naam tekst – sku varchar(64) Externe sleutels: (niets opgegeven) si_aanbeveling: staat: “niet_uitvoeren” Wat je mist voor dit gesprek: – Door AI ontdekte vreemde sleutels – Voorbeeldwaarden per kolom + enum-detectie – Tabel- en kolombeschrijvingen – Semantische typeclassificaties – Tagging van bedrijfsdomeinen. Opmerking: “Alleen typen, geen semantische context”
Met schema-intelligentie data_source: schema_intelligence
// Wat de LLM ziet == TABEL: bestellingen [FEIT, domein:verkoop] == “Koptekstregels van klantorders; één per bestelling. Totaal is het eindtotaal van de bestelling in USD.” – id geheel getal [PK] identificator – klant_id geheel getal identificator FK -> customers.id (100% overlap, conf 0.99) – totaal numeriek(10,2) munteenheid Bereik: 0,00 – 4.820,00 · gemiddelde 142,30 – status varchar(20) status_code (enum) betaald (62%) | verzonden (28%) | terugbetaald (6%) | in behandeling (4%) – aangemaakt_op tijdstempel datum_iso Voorbeeld: 2026-04-28 14:02:11+00 – verzonden_op tijdstempel datum_iso (nullable) == TABEL: regelitems [FEIT, domein:verkoop] == “Eén rij per product per bestelling. Omzet = SOM(aantal * eenheidsprijs).” – order_id geheel getal identificator FK -> orders.id (98% overlap, conf 0,95) – product_id geheel getal identificator FK -> products.id (100% overlap, conf 0.99) – aantal geheel getal balie – eenheidsprijs numeriek(10,2) munteenheid == TABEL: klanten [DIM, domein:klanten] == – e-mail varchar(255) e-mail Voorbeeld: [email protected], [email protected] - naam tekst persoonsnaam == TABEL: producten [DIM, domein:producten] == – naam tekst tekstinhoud – sku varchar(64) identificator Voorbeeld: ['QS-001-MINT','QS-014-DARK','QS-027-AMBER']

De zes lagen die Schema Intelligence toevoegt

Elke laag behandelt een type vraag waar de LLM anders alleen maar naar zou gissen. De optionele SI-profileringsstap wordt alleen-lezen uitgevoerd op uw PostgreSQL-gegevens zonder uw schema te wijzigen of naar uw database te schrijven, en wordt incrementeel vernieuwd wanneer uw schema verandert. Wat Schema Intelligence toevoegt en hoe het actueel blijft →

Door AI samengestelde beschrijvingen

Een duidelijke, in begrijpelijke taal geformuleerde beschrijving van het doel van elke database, elk schema, elke tabel en elke kolom — eenmalig gegenereerd en automatisch bijgewerkt wanneer uw schema wijzigt. Betrouwbaarheidsscore; beschrijvingen van gebruikers hebben altijd de voorkeur.

orders: “Klantorderheaders;
één rij per kassa.”

Tabelclassificaties

Elke tabel is gelabeld met FACT (transactionele gebeurtenissen), DIM (beschrijvende verwijzing) of LOOKUP (kleine code-mapping), plus een bedrijfsdomein — verkoop, HR, SEO, financiën, ondersteuning en nog 14 andere.

bestellingen [FACT, domein:verkoop]
klanten [DIM, domein:klanten]

Semantische typen per kolom

Achttien gegevenstypen: valuta, e-mail, datum-ISO, statuscode, percentage, rangschikking, identificatiecode, URL, persoonsnaam en meer. De AI genereert dialectcorrecte PostgreSQL-query's die geschikt zijn voor elk type.

totaal: valuta · e-mail: e-mail
aangemaakt op: datum_iso

Voorbeeldwaarden uit echte gegevens

Willekeurige rijen werden aan het LLM getoond, waardoor het patronen herkent die geen enkel schema kan weergeven: opmaakconventies, gecodeerde waarden, afkortingsstijlen en de feitelijke structuur van uw tekenreeksen.

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

Enum-detectie met distributies

Kolommen met een lage cardinaliteit (50 of minder unieke waarden, maximaal 5% van de rijen uniek) worden gekoppeld aan hun volledige waardelijst met rijtellingen. De AI raadt nooit hoofdletters of spelling.

status: betaald (62%) | verzonden (28%)
| terugbetaald (6%) | in behandeling (4%)

Impliciete ontdekking van vreemde sleutels

Analyse van overlappingen in gegevens tussen tabellen vindt joins die niet als DDL-beperkingen zijn gedeclareerd. Deze worden samen met formele foreign keys (FK's) en betrouwbaarheidsscores opgeslagen en geretourneerd door qs_get_relationships.

order-id van regelitems -> orders.id
(98% overlap, betrouwbaarheidsinterval 0,95)

Dezelfde prompt, andere SQL-query

Het bewijs zit in de SQL-query's die de AI-tool daadwerkelijk genereert. Dezelfde cursorsessie, hetzelfde Claude-model, dezelfde prompt. Wat waren de 5 producten met de hoogste omzet in de afgelopen 30 dagen? Zonder schema-intelligentie moet het LLM-model gissen. Met schema-intelligentie weet het LLM-model het zeker.

Zonder schema-intelligentie
— LLM's eerste poging tegen een kaal schema: SELECT product_id, SUM(eenheidsprijs) AS inkomsten VAN regelitems WAAR created_at >= '2024-01-01' ORDER BY inkomsten DESC LIMIET 5 FOUT: kolom “created_at” bestaat niet created_at is van toepassing op orders, niet op line_items. geen JOIN — line_items heeft geen tijdstempel SUM(unit_price) negeert de hoeveelheid — onjuiste omzet vastgelegde datum — "laatste 30 dagen" is dynamisch retourneert de product-ID, niet de productnaam.
Met schema-intelligentie
— LLM's eerste poging met SI ingeschakeld: SELECT p.id, p.name, SUM(li.qty * li.unit_price) AS inkomsten VAN bestellingen o JOIN regel_items li OP li.order_id = o.id JOIN producten p OP p.id = li.product_id WAAR o.created_at >= NU() – INTERVAL '30 dagen' GROEP DOOR p.id, p.name ORDER BY inkomsten DESC LIMIET 5 5 rijen. Meteen goed. FACT/DIM-tags gaven richting aan de joinstructuur. FK-ontdekking bracht order_id -> orders.id aan het licht. created_at saw semantisch type = date_iso Postgres-idiomatische NOW() – INTERVAL '30 dagen'
Wil je Schema Intelligence niet uitvoeren? MCP werkt nog steeds. Zonder SI retourneren schematools kale metadata (typen, primaire sleutels, formele externe sleutels, indexen) en elke verslechterde respons bevat een si_aanbeveling Een blok dat de AI precies vertelt wat er ontbreekt, inclusief een optie om SI tijdens een gesprek in te schakelen met één telefoontje. qs_request_si_analysisUw AI-client kan aanbieden om direct een SI-run te starten ("Wilt u dat ik eerst Schema Intelligence inschakel voor deze database? Dit wordt op de achtergrond via uw Network Agent uitgevoerd en zal mijn antwoorden aanzienlijk verbeteren"). De looptijd is evenredig met het aantal tabellen: Een kleine database met minder dan 100 tabellen is in ongeveer 10 minuten klaar; een typische middelgrote database (een paar honderd tabellen) is in 15-25 minuten klaar; een grote bedrijfsdatabase met meer dan 1500 tabellen kan 45-60 minuten nodig hebben voor een volledige scan. Latere updates na schemawijzigingen zijn incrementeel en veel sneller dan de eerste keer. Schema Intelligence is optioneel. We denken niet dat u het wilt uitschakelen.
Nova AI

Is MCP niet jouw ding? Probeer dan Nova AI eens.

Sla de JSON-configuratie volledig over: Nova AI is geïntegreerd in het Query Streams-webportaal. en stelt dezelfde vragen in begrijpelijke taal aan uw PostgreSQL-connector — "Top 10 klanten op basis van levenslange waarde,”bestellingen die langer dan 7 dagen niet verzonden zijn"— plus elke andere connector op uw account, met dezelfde agent, alleen-lezen-handhaving en Schema Intelligence, en zonder MCP-infrastructuur.

Maak kennis met Nova AI

Vereisten

Voordat je begint, zorg ervoor dat je het volgende hebt:

  1. Een gratis Query Streams-account bij mijn.querystreams.nl.
  2. De Query Streams Network Agent is geïnstalleerd op een machine die uw PostgreSQL-cluster kan bereiken — zie Download de Query Streams Agent..
  3. Een PostgreSQL-connector geconfigureerd voor de agent — zie de bestaande connector instellen Richtlijnen voor de verbindingsreeks. De agent bewaart het PostgreSQL-wachtwoord (of de IAM-referenties voor beheerde PostgreSQL); de AI-tool heeft hier geen toegang toe.
  4. Elke AI-client die MCP ondersteunt. In deze handleiding laten we Cursor, Claude Desktop, ChatGPT en Grok zien; als je Windsurf, Zed, Continue, Cline, VS Code Copilot, Codex of Goose gebruikt, is het configuratieblok in principe hetzelfde.
  5. Vijf minuten.
Je hoeft de agent maar één keer in te stellen. Dezelfde agent die de Excel- en Google Sheets-add-ons van Query Streams, de webgebaseerde Query Builder en Nova AI aandrijft, wordt ook gebruikt voor MCP. Het toevoegen van MCP aan een bestaand Query Streams-account is slechts een kwestie van het genereren van een sleutel; de agent en de PostgreSQL-connector draaien al.
1

Genereer een MCP-sleutel

Van de /mcp Ga naar de pagina Query Streams en genereer een sleutel met de gewenste scopes.

2

Sleep het naar je AI-client.

Eén JSON-fragment voor Cursor, Claude, ChatGPT of Grok. Dezelfde sleutel overal.

3

Stel een vraag

"Wat waren onze 10 beste klanten op basis van hun levenslange waarde?" — de AI roept de juiste tools aan en u krijgt het antwoord.

Stap 1: Genereer een MCP-sleutel in Query Streams

Meld u aan bij Query Streams en open de MCP-pagina (of meld u eerst aan bij mijn.querystreams.nl en klik MCP (in de linkernavigatie). Klik Sleutel genererenGeef de sleutel een herkenbare naam (iets zoals cursor-laptop of claude-desktop), en kies de bereiken die je aan deze sleutel wilt toevoegen:

  • lezen — De AI kan connectoren doorzoeken en schema's lezen. Dat is voor al het andere nodig.
  • analyseren — De AI kan tabellen profileren en relaties ontdekken (steekproefwaarden, verdelingen, semantische typen). Optioneel, maar sterk aanbevolen voor PostgreSQL-werk, waar inzicht in de structuur van uw gegevens van belang is wanneer de LLM joins genereert.
  • uitvoeren — De AI kan daadwerkelijk SQL-query's uitvoeren. Zonder dit kan de AI alleen schema-metadata lezen.

Voor een typische workflow waarbij "Claude mijn PostgreSQL-gegevens analyseert", zijn alle drie de scopes geschikt. Voor een sleutel die je aan een teamlid of een minder vertrouwde klant geeft, laat je deze scope weg. uitvoeren en laat ze alleen browsen. Je kunt elke sleutel op elk moment vanaf dezelfde pagina intrekken; de AI-client zal dit zien. MCP_KEY_REVOKED Bij de volgende oproep stopt het direct met werken. Er is geen vertraging in de signaaloverdracht.

Kopieer de sleutel nu — Query Streams toont deze eenmalig en slaat vervolgens alleen een hash op. Als u de sleutel kwijtraakt, genereer dan een nieuwe. De sleutel ziet er als volgt uit: qsmcp_ gevolgd door 48 willekeurige tekens, en dat is wat uw AI-client verzendt in de X-MCP-sleutel verzoekheader.

Stap 2: Voeg Query Streams MCP toe aan uw AI-client

De configuratie heeft dezelfde vorm voor elke MCP-compatibele client: een MCP-serververmelding die verwijst naar https://mcp.querystreams.com met uw sleutel in de X-MCP-sleutel Koptekst. Kies hieronder uw klant.

Cursor
Cursor ~/.cursor/mcp.json
// Bewerk ~/.cursor/mcp.json
{
  "mcpServers": {
    "querystreams": {
      "url": "https://mcp.querystreams.com",
      "kopteksten": {
        "X-MCP-sleutel": "qsmcp_PLAK_HIER_SLEUTEL_"
      }
    }
  }
}
Claude Desktop
Claude Desktop claude_desktop_config.json
// Instellingen → Ontwikkelaar → Configuratie bewerken
{
  "mcpServers": {
    "querystreams": {
      "url": "https://mcp.querystreams.com",
      "kopteksten": {
        "X-MCP-sleutel": "qsmcp_PLAK_HIER_SLEUTEL_"
      }
    }
  }
}
ChatGPT
ChatGPT Apps en connectoren
// Instellingen → Apps en connectors → MCP toevoegen
Server-URL  https://mcp.querystreams.com
Auth-header X-MCP-sleutel
Kopwaarde qsmcp_PLAK_HIER_SLEUTEL_

// Vereist een betaald ChatGPT-abonnement
// (Plus / Pro / Team / Enterprise).
Grok
Grok Externe MCP-tools
// Grok → Instellingen → Hulpmiddelen
{
  "mcp_servers": [{
    "naam": "querystreams",
    "url": "https://mcp.querystreams.com",
    "auth_header": "X-MCP-sleutel",
    "auth_value": "qsmcp_..."
  }]
}

Start uw AI-client opnieuw op. Bij de volgende opstart zal deze de acht hierboven vermelde Query Streams MCP-tools detecteren en in het toolpalet weergeven. In Cursor en Claude Desktop kunt u dit controleren door te typen “lijstconnectoren” — de AI zou moeten bellen qs_list_connectors en retourneer uw PostgreSQL-connector samen met alle andere door u geconfigureerde gegevens.

Stap 3: Stel de AI een vraag over PostgreSQL.

Je hoeft geen SQL te schrijven, dat doet de AI. Je stelt een vraag, de AI kiest de juiste MCP-tool, de agent voert de query uit op je PostgreSQL-database en het antwoord krijg je terug als tekst plus tabellen. Drie voorbeeldvragen om mee te beginnen:

“Wie waren onze 10 meest waardevolle klanten op basis van hun levenslange klantwaarde?”
Klanten
De AI zal bellen qs_get_connector_schema om vervolgens de tabellen orders, orderregels en klanten te ontdekken. qs_run_query met een SELECT die samenvoegt klanten naar bestellingen naar regelitems, berekent SOM(aantal * eenheidsprijs) per klant, en geeft de top 10 weer op basis van de levenslange klantwaarde. Je ziet de resultaatstabel direct in de tekst, plus een schriftelijke interpretatie — welke klanten geconcentreerd zijn in welke producten of regio's, herhaalaankooppatronen, gemiddelde ordergrootte — die de AI uit de gegevens heeft afgeleid.
"Laat me bestellingen zien die langer dan 7 dagen niet verzonden zijn."
Werkzaamheden
De AI gebruikt de enum-detectie van Schema Intelligence op orders.status filteren naar 'betaald' bestellingen met een NULL-waarde verzonden_op en een aangemaakt_op ouder dan NU() - INTERVAL '7 dagen'Het resultaat is een gerichte lijst met order-ID, e-mailadres van de klant, totaalbedrag en aantal dagen sinds betaling. Meestal sorteert de AI de lijst op oudste eerst en markeert de meest zorgwekkende bestellingen, die escalaties binnen het fulfilmentteam in plaats van afrondingsfouten. Je kunt dieper graven door te vragen. "Waarom is bevel 4821 nog steeds in behandeling?" En de AI zal de relevante rijen eruit halen.
“Hoe verhoudt de omzet van deze maand zich tot die van dezelfde maand vorig jaar?”
Winst
Een jaar-op-jaar vergelijking met totalen, procentuele verandering en een uitsplitsing per product of per categorie, indien de AI dit relevant acht. De AI zal gebruikmaken van Postgres-idiomatic. DATE_TRUNC('month', o.created_at) en datumrekenkunde, en zal doorgaans vervolgen met "Wil je dat ik dit per week in kaart breng?" of "Wilt u dezelfde vergelijking zien, maar dan uitgesplitst per acquisitiekanaal?" Als je die kolommen in een andere tabel hebt. Het is een informeel gesprek; je hoeft de context niet opnieuw in te stellen tussen vragen.

De eerste keer dat de AI een tool aanroept, kan er in uw client een bevestigingsmelding verschijnen waarin u wordt gevraagd de tooloproep goed te keuren. Dit is de standaard toestemmingsprocedure van MCP en geen extra functie van Query Streams. Keur de oproep eenmaal goed en de AI kan de rest van het gesprek zonder problemen voortzetten. U kunt de toestemming op elk gewenst moment opnieuw bekijken in de instellingen van uw client.

Eerlijke factuurmelding: MCP-gebruik wordt gefactureerd op basis van niet-gecomprimeerde bytes.

De Excel-add-in van Query Streams, de Google Sheets-add-on, de webquerybuilder en Nova AI draaien allemaal via onze gecomprimeerde cloudverbinding — wij meten en factureren. gecomprimeerde bytes tegen uw gegevensdomein. Het MCP-transport (Streamable HTTP volgens de officiële MCP-specificatie) ondersteunt geen betrouwbare end-to-end compressie over elke client en tussenliggende proxy, daarom meten en factureren we. uncompressedBytes voor MCP-verkeer.

  • Wat dit betekent: Een resultaatset van 1 MB uit PostgreSQL kost ongeveer 1 MB van uw data-resource wanneer deze via MCP wordt opgehaald, tegenover ongeveer 150-250 KB via Excel/Sheets/Nova/de Query Builder. Een aggregatiequery met 10.000 rijen die via MCP als ongeveer 2 MB JSON wordt opgeslagen, zou via de Excel/Sheets/Nova/Query Builder-clients ongeveer 300-400 KB aan LZ4-gecomprimeerde bytes zijn geweest. Dezelfde data, ander transport, andere factureerbare omvang.
  • Wat dit níét is: Een toeslag of een straf voor het gebruik van MCP. We geven de daadwerkelijk verzonden bytes door. De andere clients zijn goedkoper omdat compressie betrouwbaar werkt op die transportprotocollen; we straffen je niet voor de protocolkeuze, maar we moeten wel transparant zijn over de kostenstructuur.
  • Wat u kunt doen: Voor zeer grote, terugkerende query's (bijvoorbeeld exporten van meer dan 100.000 rijen) is de aanpak met Excel/Sheets/Nova de beste keuze. Voor interactieve AI-toolaanroepen (de typische PostgreSQL-respons van 100-5000 rijen die in een LLM-context past) is MCP de juiste keuze en het kostenverschil is slechts een paar cent.

Veelgestelde vragen

Moet ik poorten openen of een VPN-verbinding gebruiken om dit te kunnen gebruiken? +
Geen inkomende regels, port-forwarding, NAT punchthrough of VPN. De netwerkagent maakt één uitgaande TLS-verbinding (poort 443) en uw AI-client bereikt https://mcp.querystreams.com vanaf het openbare internet — als uitgaande HTTPS werkt op de agenthost, werkt MCP. Zie hoe de verbinding die alleen uitgaand verkeer toelaat werkt →
Welke AI-tools kan ik gebruiken met Query Streams MCP? +
Elke client die het open Model Context Protocol ondersteunt, zoals Claude Desktop, Claude Code, Cursor, ChatGPT (betaald), Grok, Gemini CLI, Windsurf, Zed en meer dan 500 andere, is geschikt. Gebruik je eigen AI-tool; je hoeft niet over te stappen. Volledige lijst met ondersteunde AI-clients →
Kan ik een MCP-sleutel intrekken? +
Ja, drie onafhankelijke noodstopknoppen (per toets vanaf de /mcp pagina, per organisatie via planinstellingen en platformniveau), en geen van deze opties vereist een databasewachtwoordrotatie of een herstart van de agent. Meer informatie over de beveiliging van MCP-sleutels →
Hoe worden de MCP-kosten in rekening gebracht voor mijn datadomein? +
MCP-uitvoeringsaanroepen worden afgetrokken van hetzelfde databudget dat al wordt gebruikt voor uw Excel-, Google Sheets-, webquerybuilder- en Nova AI-gebruik — één verbruiksbudget voor alle toegangsmethoden. De afmetingen die voor MCP worden gemeten, verschillen. De andere klanten maken gebruik van onze gecomprimeerde cloudverbinding (wij brengen hiervoor kosten in rekening). gecomprimeerde bytes); MCP werkt via Streamable HTTP, dat geen betrouwbare end-to-end compressie biedt via elke client en proxy, daarom brengen we kosten in rekening uncompressedBytesEen PostgreSQL-resultaat van 1 MB dat naar Excel wordt teruggestuurd, kost doorgaans ongeveer 150-250 KB van uw data; hetzelfde resultaat van 1 MB dat naar Cursor via MCP wordt teruggestuurd, kost ongeveer 1 MB. We zijn hier transparant over, omdat we liever hebben dat u dit van tevoren weet dan dat u aan het einde van de factureringscyclus voor verrassingen komt te staan.
Werkt Query Streams MCP met mijn beheerde PostgreSQL-database op AWS RDS, Azure Database for PostgreSQL of Google Cloud SQL? +
Ja — Query Streams MCP werkt met elke PostgreSQL-engine die de Network Agent via TCP kan bereiken, ongeacht waar deze gehost wordt. Specifiek ondersteund: AWS RDS voor PostgreSQL, AWS Aurora PostgreSQL-compatibel, Azure Database voor PostgreSQL (Enkele server, flexibele server) Google Cloud SQL voor PostgreSQL, DigitalOcean Managed PostgreSQLEn zelfgehoste PostgreSQL op EC2, Azure VM's, Google Compute Engine of on-premise hardware. De agent verwerkt de verbindingsreeks — IAM-authenticatie, SCRAM-SHA-256, SSL/TLS en aangepaste CA-certificaten worden allemaal ondersteund. Er zijn meerdere netwerkagents beschikbaar per abonnementsniveau, zodat u een agent in dezelfde regio of VPC kunt implementeren als elk PostgreSQL-cluster voor de beste latentie. De MCP-server ziet de inloggegevens niet; alleen de agent ziet ze.
Wat is het verschil tussen dit en het zelf draaien van een open-source PostgreSQL MCP-server? +
Een directe PostgreSQL MCP-server (er bestaan communityprojecten op GitHub) is één MCP per gegevensbron. Om Claude te laten lezen vanuit je PostgreSQL-account, Google Search Console, je Stripe-account en je Snowflake-datawarehouse, heb je vier MCP-servers nodig die afzonderlijk geconfigureerd zijn in elke AI-client, elk met eigen inloggegevens, een eigen scope-model en een eigen auditlogboek. Query Streams MCP is één sleutel die toegang biedt tot elke connector die aan je account is gekoppeld. Je krijgt er ook Schema Intelligence, alleen-lezen-handhaving op agentniveau, snelheidslimieten per sleutel en een auditlogboek bij. gebeurtenislogboekenen dezelfde data-realm factureringspipeline die u al gebruikt — geen van beide biedt een directe MCP.
Wat gebeurt er als de AI probeert gegevens te schrijven of te verwijderen? +
Het wordt door de agent afgewezen voordat de gegevensbron de SQL-query ziet. Elke qs_run_query Het gesprek wordt verwerkt door een hardgecodeerde, alleen-lezen validator die alleen dit toestaat. SELECT, MET, en UITLEGGEN verklaringen; al het andere retourneert ALLEEN-LEZEN_SCHENDING en bereikt PostgreSQL nooit. De validator draait in het agentproces op uw netwerk, niet in de cloud, dus een gecompromitteerde cloudomgeving zou deze niet kunnen omzeilen. (U kunt een PostgreSQL-beveiliging toevoegen.) ALLEEN LEZEN Voeg een extra rol toe als je extra zekerheid wilt — de validator van de agent is onafhankelijk van de PostgreSQL-rol die je hebt geconfigureerd.)
Kan ik zien wat de AI precies heeft gevraagd? +
Ja. Elke aanroep van een MCP-tool schrijft een regel naar gebeurtenislogboeken met de organisatie, gebruiker, sleutel, bereik, latentie en resultaatcode. De organisatiebeheerder kan met één query antwoord geven op de vraag: "Wie heeft MCP vorige week gebruikt, welke connector en wat hebben ze gevraagd?" Merk op dat we de gegevens loggen. naam en metadata van het hulpmiddelNiet de SQL-tekst of de geretourneerde rijen — die gaan via de cloudverbinding en komen nooit in de cloudlogboeken terecht. Als u een volledige SQL-audit wilt, schakelt u audit aan de databasezijde in op de onderliggende engine; voor PostgreSQL is dat specifiek... pgaudit of uw bestaande query-log-pipeline.
Moet ik Schema Intelligence uitvoeren om Query Streams MCP te kunnen gebruiken? +
Nee - Schema Intelligence is optioneel per (connector, database) paarEn MCP werkt prima zonder. De AI ontvangt het kale schema (typen, primaire sleutels, formele externe sleutels, indexen) en schrijft eenvoudige query's. Met SI ingeschakeld, krijgt de AI zes extra lagen met zorgvuldig samengestelde metadata: (1) Door AI samengestelde beschrijvingen van elke database, tabel en kolom; (2) tabelclassificaties (FACT voor transactionele gebeurtenissen, DIM voor beschrijvende verwijzingen, LOOKUP voor kleine codetoewijzingen) plus een bedrijfsdomeintag (verkoop, HR, SEO, financiën, ondersteuning en nog 14 andere); (3) een semantisch type op elke kolom (valuta, e-mail, datum_iso, status_code, percentage, ranking_positie, identifier, url, persoonsnaam en nog 9 andere) dat zorgt voor dialectcorrecte PostgreSQL-generatie; (4) Steekproefwaarden uit uw werkelijke gegevens, zodat het LLM patronen herkent die geen enkel schema kan weergeven; (5) enum-detectie met volledige waardeverdelingen voor kolommen met een lage kardinaliteit; en (6) Door AI ontdekte vreemde sleutels op basis van overlappingen in gegevens tussen tabellen, die aan het licht kwamen via qs_get_relationshipsZonder SI bevat elke schema-tool-respons ook een si_aanbeveling Een lijst met precies wat er ontbreekt voor het gesprek — de AI kan dit lezen en voorstellen om SI midden in het gesprek te activeren via qs_request_si_analysisDe uitvoeringsduur schaalt mee met het aantal tabellen: een kleine database met minder dan 100 tabellen is in ongeveer 10 minuten klaar; een typische middelgrote database (een paar honderd tabellen) is in 15-25 minuten klaar; een grote bedrijfsdatabase met meer dan 1500 tabellen kan 45-60 minuten nodig hebben voor een volledige scan. SI wordt uitgevoerd via uw netwerkagent op uw gegevens (nooit in de cloud), schrijft nooit naar uw database, wijzigt nooit uw schema en wordt incrementeel vernieuwd wanneer uw schema verandert. Daardoor zijn volgende uitvoeringen na het toevoegen of wijzigen van tabellen veel sneller dan de eerste. Het effect van begin tot eind: met SI ingeschakeld schrijft uw AI-client veel vaker correcte SQL bij de eerste poging dan bij een "MCP voor X"-server die de LLM gewoon doorgeeft. informatie_schema.
Wat als ik later nog een connector toevoeg, zoals Stripe of PostgreSQL? +
Aan de clientzijde verandert er niets — dezelfde sleutel bereikt de nieuwe connector zodra de agent deze koppelt.qs_list_connectors (wordt automatisch opgepakt). Eén configuratieblok koopt je hele account, zowel het huidige als het toekomstige. Waarom één sleutel alle connectoren dekt →
Moet ik MCP instellen om met mijn data te kunnen chatten? +
Nee - Nova AI is geïntegreerd in het Query Streams-portaal. Het werkt met elke connector (inclusief PostgreSQL) zonder dat er MCP-installatie of configuratiebestanden nodig zijn. Gebruik Nova om met uw data te communiceren binnen Query Streams; gebruik MCP wanneer u wilt dat uw eigen AI-client (Claude, Cursor, ChatGPT, …) toegang heeft tot dezelfde data — dezelfde agent, dezelfde connectors, dezelfde Schema Intelligence eronder. Leer meer over Nova AI →

Aan de slag

Verbind uw AI-tool binnen vijf minuten met uw PostgreSQL-gegevens.

Met één MCP-sleutel hebt u toegang tot PostgreSQL, elke andere database en elke API-connector in uw Query Streams-account, inclusief een volledig auditlogboek, snelheidslimieten per sleutel en zonder dat u firewallinstellingen hoeft aan te passen. Claude, Cursor, ChatGPT en Grok werken allemaal direct.

Gerelateerde handleidingen: Download de Query Streams Agent. | Databaseconnector instellen | Alle MCP Server-handleidingen | Nova AI tekst-naar-SQL

Categorie: MCP-server

Tags: mcp, claude, cursor, postgresql, postgres, postgres-mcp, ai

Metabeschrijving: Verbind PostgreSQL met Claude of Cursor via Query Streams MCP. Alleen uitgaand, alleen-lezen, installatie in 5 minuten.

Geüpdatet op 16 juni 2026

Mogelijk gemaakt door BetterDocs