Wyświetl kategorie

Jak połączyć PostgreSQL z Claude lub Cursor przez MCP

24 minuty czytania

SERWER MCP POSTGRESQL

Zapytaj PostgreSQL za pomocą Claude lub Kursor poprzez MCP.

Zadaj proste pytania dotyczące danych Postgres — połączeń, agregacji, introspekcji schematów, wydajności zapytań — bez ujawniania ciągów połączeń dostawcy sztucznej inteligencji lub otwierania portów zapory w sieci.

Brak luk w zaporze sieciowej Jeden klucz, każde złącze Dane na żywo, bez opóźnień w pamięci podręcznej Przynieś własne narzędzie AI
Zacznij za darmo Przeglądaj wszystkie przewodniki MCP
Zobacz wszystko, co Query Streams może zrobić poza tym przewodnikiem Rozpocznij za darmo
Wsparcie
SQL Server PostgreSQL MySQL MariaDB SQLite MS Access Oracle BigQuery DuckDB
+więcej
Excel Arkusze
Dane na żywo

Zastąpienie eksportu kodem SQL na żądanie

Excel Arkusze
Nova
Analityka BI i AI

Zapytaj Nova, uzyskaj SQL + wykresy

Poznaj Nova
Interfejs API REST
API REST bazy danych

Jeden klucz na partnera. Nie udostępniamy żadnych danych uwierzytelniających.

Zbuduj API
Airtable Smartsheet Baserow SeaTable +więcej
Automatyzacja

Zaplanowana synchronizacja z ponad 6 platformami

Eksploruj
Pasek HubSpot Shopify GA +więcej
API do SQL

Zapytania do interfejsów API za pomocą SQL, bez kodu

Eksploruj
MCP Klaudiusz Kursor ChatGPT Grok +więcej
Baza danych AI MCP

Claude, Cursor, ChatGPT i Grok komunikują się z Twoimi danymi

Połącz AI

Query Streams to bezpieczna platforma integracji danych w czasie rzeczywistym, która umożliwia integrację wszystkich baz danych i interfejsów API SaaS na Twoim koncie z Claude, Cursor, ChatGPT i Grok — za pośrednictwem jednego klucza MCP bez konieczności wprowadzania zmian w zaporze sieciowej. W tym przewodniku znajdziesz szczegółowy opis podłączania łącznika PostgreSQL, dzięki czemu Twoje narzędzie AI będzie mogło odpowiadać na pytania w języku prostym dotyczące zamówień, klientów, produktów i wszelkich innych danych Postgres — połączeń, agregacji, eksploracji schematów, wydajności zapytań — bez konieczności kopiowania i wklejania eksportów CSV z pgAdmin lub DBeaver. Więcej informacji można znaleźć na stronie QueryStreams.com. oraz zarejestruj się za darmo aby zacząć zadawać narzędziu AI prawdziwe pytania dotyczące programu Postgres.

Co oferuje Query Streams MCP dla PostgreSQL

Inne serwery „PostgreSQL MCP” w środowisku open source łączą narzędzie AI bezpośrednio z ciągiem połączenia Postgres. To działa, ale wprowadza hasło do bazy danych (lub token IAM) do konfiguracji klienta AI, ogranicza zakres działania narzędzia AI tylko do jednego klastra Postgres i nie zapewnia żadnego śladu audytu, który wskazywałby, o co AI faktycznie prosiło. Query Streams MCP rozwiązuje szerszy problem: jeden klucz, każdy łącznik, pełny ślad audytu, a narzędzie AI nigdy nie przechowuje danych uwierzytelniających Postgres.

Zero luk w zaporze sieciowej

Agent sieciowy otwiera pojedyncze szyfrowane łącze wychodzące do strumieni zapytań w chmurze. Twój klient AI łączy się z chmurą, a nie z hostem Postgres. Nie ma portu do otwarcia, adresu IP do dodania do listy dozwolonych, VPN-u ani nasłuchiwacza Postgres dostępnego dla publicznego internetu.

Jeden klucz, każde złącze

Ten sam klucz MCP dociera do każdej bazy danych i interfejsu API SaaS, z którymi Twoje konto jest połączone. Dodaj jutro łącznik Stripe lub Snowflake, a narzędzie AI zobaczy go obok tabel Postgres bez konieczności ponownego wprowadzania klucza.

Wbudowana inteligencja schematów

Sztuczna inteligencja widzi opracowane przez nią opisy, typy semantyczne, listy wartości wyliczeniowych i odkryte klucze obce dla każdej kolumny Postgres — nie tylko puste schemat_informacyjny dane wyjściowe. Zapisuje poprawne zapytanie SQL za pierwszym razem, nawet w starszych schematach z tajemniczymi nazwami kolumn.

Tylko do odczytu wymuszone przez agenta

Nawet mający halucynacje LLM nie może wydać USUWAĆ, AKTUALIZACJA, lub ŚCIĘTY poprzez Query Streams MCP. Agent sieciowy odrzuca wszystko, co nie jest SELECT, Z, lub WYJAŚNIĆ zanim Postgres w ogóle zobaczy kod SQL.

Limity stawek za klucz

Domyślnie 60 żądań na minutę i 10 wywołań wykonania na minutę, konfigurowalne dla każdego klucza. Niekontrolowana pętla wywołań narzędzia AI trafia do kontenera tokenów, a nie do puli połączeń Postgres ani rachunku za AWS RDS.

Jak to działa bez otwierania portów zapory sieciowej

Agent sieciowy Query Streams to niewielki program instalowany raz na komputerze, który może połączyć się z klastrem PostgreSQL (dowolnym laptopem, serwerem lokalnym, instancją EC2, maszyną wirtualną Azure lub maszyną wirtualną w chmurze w tej samej sieci VPC, co Postgres). Łączy się on z chmurą za pomocą jednego łącza wychodzącego TLS i uruchamia zapytania SQL dla Postgres przez sieć lokalną, używając standardowego protokołu Postgres — żadnych danych przychodzących, żadnych danych ujawnionych, a narzędzie AI nigdy nie widzi ciągu połączenia Postgres. Jak działa architektura wyłącznie wychodząca →

Klient AI

Kursor, Claude,
ChatGPT, Grok

Serwer QS MCP

HTTP z możliwością przesyłania strumieniowego
Autoryzacja kluczem X-MCP

Agent sieciowy

W Twojej sieci
Połączenie z chmurą

PostgreSQL

Ciąg połączenia
posiadane przez agenta

Nie jest wymagany żaden port przychodzący — to agent wybiera numer wychodzący, a nie odwrotnie

Klucz MCP, który podajesz Cursorowi lub Claude'owi, ma zakres (Czytać / analizować / wykonać), odwoływalne w dowolnym momencie i ograniczone szybkością dla każdego klucza. Narzędzie AI korzysta z następujących narzędzi MCP do wykonania swojej pracy:

querystreams-mcp · katalog narzędzi
qs_list_organizationsCzytać
Zwraca organizację powiązaną z wywołującym klawiszem.
lista_agentów_qsCzytać
Wyświetla listę agentów sieciowych i stan online.
qs_list_connectorsCzytać
Wyświetla listę łączników danych (jeden wpis na serwer bazy danych lub interfejs API).
qs_get_connector_schemaCzytać
Zwraca bazy danych, schematy, tabele i kolumny PostgreSQL, do których sztuczna inteligencja może wysyłać zapytania, z możliwością wzbogacenia o funkcję Schema Intelligence, jeśli jest dostępna.
tabela_profili_qsanalizować
Wartości próbek, rozkłady, wykrywanie wyliczeń, typy semantyczne — na żądanie.
lista_zapisanych_zapytańCzytać
Wstępnie skonfigurowane, sparametryzowane szablony SQL, którym zespół ufa. Sztuczna inteligencja uruchamia je, nie widząc kodu SQL.
qs_run_saved_querywykonać
Wykonuje zapisane zapytanie przez klucz_wzorca z opcjonalnymi nadpisaniami parametrów.
qs_run_querywykonać
Wykonuje instrukcję SELECT na łączniku. Walidator tylko do odczytu uruchamia się na agencie, zanim Postgres zobaczy kod SQL.

Dlaczego Schema Intelligence wyróżnia Query Streams MCP

Większość serwerów „MCP dla Postgres” w środowisku open-source zapewnia takie samo narzędzie do sztucznej inteligencji schemat_informacyjny Postgres podaje nieznajomego. Nazwy kolumn. Typy danych. Może klucz podstawowy. LLM musi zgadnąć, co… identyfikator_statusu = 3 znaczy co usr_eml sklepy, czy też pozycje_linii.id_zamówienia faktycznie dołącza do zamówienia.id (żaden klucz obcy nie został nigdy zadeklarowany w żaden sposób). Dlatego pierwszy kod SQL, który większość programów LLM zapisuje na gołym schemacie, jest błędny — nie dlatego, że program LLM jest zły, ale dlatego, że nie zawiera danych niezbędnych do jego poprawnego działania.

Query Streams MCP zwraca ten sam schemat wzbogacony o to, co nazywamy Inteligencja schematów (SI) — Metadane opracowane przez sztuczną inteligencję, generowane poprzez uruchamianie zapytań profilujących rzeczywisty Dane Postgres, zanim klient AI w ogóle o nie poprosi. Po włączeniu SI w łączniku i bazie danych, każde narzędzie schematu wywoływane przez AI (qs_get_connector_schema, qs_get_table_schema, tabela_profili_qs, qs_get_relationships) zwraca podstawowy schemat plus sześć warstw uporządkowanej wiedzy. LLM przestaje zgadywać.

Aby to uściślić, oto co klient AI otrzymuje z jednego qs_get_table_schema wywołanie dla typowego schematu e-commerce Postgres (zamówienia, pozycje, klienci, produkty) — najpierw bez Schema Intelligence, potem z nią.

Bez inteligencji schematu źródło_danych: przechwycony_schemat
// co widzi LLM == TABELA: zamówienia == – identyfikator liczba całkowita [PK, NOT NULL] – identyfikator_klienta liczba całkowita NIE NULL - całkowity numeryczna(10,2) NIE NULL – status varchar(20) NIE NULL – created_at znacznik czasu NIE NULL – wysłane_w znacznik czasu == TABELA: pozycje_linii == – identyfikator liczba całkowita [PK] – identyfikator_zamówienia liczba całkowita NIE NULL – identyfikator_produktu liczba całkowita NIE NULL – ilość liczba całkowita NIE NULL – cena jednostkowa numeryczna(10,2) NIE NULL == TABELA: klienci == – identyfikator liczba całkowita [PK] – e-mail varchar(255) - nazwa tekst == TABELA: produkty == – identyfikator liczba całkowita [PK] - nazwa tekst – sku varchar(64) Klucze obce: (nie zadeklarowano) si_recommendation: państwo: „nie_uruchomiony” czego_ci_brakuje_w_tym_wywołaniu: – klucze obce odkryte przez sztuczną inteligencję – wartości próbek dla poszczególnych kolumn + wykrywanie wyliczeń – opisy tabel i kolumn – klasyfikacje typów semantycznych – tagowanie domeny biznesowej uwaga: „tylko typy, bez kontekstu semantycznego”
Z inteligencją schematów źródło_danych: inteligencja_schematu
// co widzi LLM == TABELA: zamówienia [FAKT, domena:sprzedaż] == „Nagłówki zamówień klientów; po jednym na kasę. Suma to całkowita kwota zamówienia w USD”. – identyfikator liczba całkowita [PK] identyfikator – identyfikator_klienta liczba całkowita identyfikator FK -> customers.id (100% nakładania się, konf. 0,99) - całkowity numeryczny(10,2) waluta Zakres: 0,00 – 4820,00 · średnia 142,30 – status varchar(20) kod_statusu (wyliczenie) zapłacono (62%) | wysłano (28%) | zwrócono (6%) | oczekuje na rozpatrzenie (4%) – created_at znacznik czasu data_iso Próbka: 2026-04-28 14:02:11+00 – wysłane_w znacznik czasu date_iso (wartość null) == TABELA: pozycje_linii [FAKT, domena:sprzedaż] == „Jeden wiersz na produkt na zamówienie. Przychód = SUMA(ilość * cena jednostkowa).” – identyfikator_zamówienia liczba całkowita identyfikator FK -> orders.id (98% nakładania się, konf. 0,95) – identyfikator_produktu liczba całkowita identyfikator FK -> products.id (100% nakładania się, konf. 0,99) – ilość liczba całkowita lada – cena jednostkowa numeryczny(10,2) waluta == TABELA: klienci [DIM, domena:klienci] == – e-mail varchar(255) e-mail Przykład: [email protected], [email protected] - nazwa tekst imię_osoby == TABELA: produkty [DIM, domena:produkty] == – imię tekst treść_tekstowa – sku varchar(64) identyfikator Próbka: ['QS-001-MINT','QS-014-DARK','QS-027-AMBER']

Sześć warstw, które dodaje Schema Intelligence

Każda warstwa odnosi się do klasy pytań, na które LLM w innym przypadku by zgadł. Profilowanie SI z opcją opt-in działa tylko do odczytu danych Postgres, nie zmieniając schematu ani nie zapisując ich w bazie danych, i odświeża się przyrostowo po zmianie schematu. co dodaje Schema Intelligence i jak pozostaje ona aktualna →

Opisy tworzone przez sztuczną inteligencję

Prosty opis każdej bazy danych, schematu, tabeli i kolumny — generowany raz, odświeżany po zmianie schematu. Punktacja wiarygodności; opisy autorstwa użytkowników zawsze wygrywają.

zamówienia: „Nagłówki zamówień klientów;
jeden rząd na kasę.”

Klasyfikacje tabel

Każda tabela oznaczona jest tagiem FACT (wydarzenia transakcyjne), DIM (odniesienie opisowe) lub LOOKUP (małe mapy kodu), a także domeną biznesową — sprzedaż, kadry, SEO, finanse, wsparcie i 14 innych.

zamówienia [FAKT, domena:sprzedaż]
klienci [DIM, domena:klienci]

Typy semantyczne na kolumnę

Osiemnaście typów — waluta, e-mail, data_iso, kod_statusu, procent, pozycja_w_rankingu, identyfikator, adres URL, nazwa_osoby i inne. Sztuczna inteligencja generuje poprawny dialektowo kod SQL Postgres odpowiedni dla każdego typu.

suma: waluta · e-mail: e-mail
data utworzenia: data_iso

Przykładowe wartości z rzeczywistych danych

Losowe wiersze są przesyłane do LLM, co pozwala mu rozpoznawać wzorce, których żaden schemat nie jest w stanie pokazać — konwencje formatowania, zakodowane wartości, style skrótów i rzeczywisty kształt ciągów znaków.

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

Wykrywanie wyliczeń z dystrybucjami

Kolumny o niskiej kardynalności (50 lub mniej odrębnych wartości, maksymalnie 5% wierszy unikatowych) mapowane na pełną listę wartości z liczbą wierszy. Sztuczna inteligencja nigdy nie zgaduje wielkości liter ani pisowni.

status: opłacony (62%) | wysłany (28%)
| zwrócono (6%) | oczekuje na rozpatrzenie (4%)

Niejawne wykrywanie klucza obcego

Analiza nakładania się danych między tabelami wykrywa połączenia, które nie są zadeklarowane jako ograniczenia DDL. Przechowywane wraz z formalnymi kluczami obcymi z wynikami ufności, zwracane przez qs_get_relationships.

line_items.order_id -> orders.id
(98% nakładania się, konf. 0,95)

Ten sam monit, inny kod SQL

Dowód znajduje się w kodzie SQL, który narzędzie AI faktycznie zapisuje. Ta sama sesja Cursora, ten sam model Claude'a, ten sam monit — „Jakie były 5 najlepszych produktów pod względem przychodów w ciągu ostatnich 30 dni?” Bez Schema Intelligence, LLM musi zgadywać. Dzięki niej, LLM wie.

Bez inteligencji schematu
— Pierwsza próba LLM przeciwko pustemu schematowi: SELECT identyfikator_produktu, SUMA(cena jednostkowa) AS przychód Z pozycje GDZIE created_at >= '2024-01-01' ORDER BY przychód DESC LIMIT 5 ✕ BŁĄD: kolumna „created_at” nie istnieje ✕ created_at dotyczy zamówień, a nie pozycji ✕ brak JOIN — line_items nie ma znacznika czasu ✕ SUM(cena jednostkowa) ignoruje ilość — błędny przychód ✕ zakodowana na stałe data — „ostatnie 30 dni” jest dynamiczne ✕ zwraca product_id, a nie nazwę produktu
Z inteligencją schematów
— Pierwsza próba LLM z włączoną funkcją SI: SELECT p.id, p.name, SUMA(ilość li * cena jednostkowa li) AS przychód Z zamówienia o JOIN line_items li ON li.order_id = o.id JOIN produkty p ON p.id = li.product_id GDZIE o.created_at >= TERAZ() – INTERWAL 30 dni GROUP BY p.id, p.name ORDER BY przychód DESC LIMIT 5 ✓ 5 rzędów. Poprawne za pierwszym razem. ✓ Tagi FACT/DIM kierowały strukturą połączeń ✓ Odkrycie FK ujawniło order_id -> orders.id ✓ created_at zobaczył typ semantyczny = date_iso ✓ Postgres-idiomatic NOW() – INTERVAL '30 dni'
Nie chcesz uruchamiać Schema Intelligence? MCP nadal działa. Bez SI narzędzia schematów zwracają gołe metadane (typy, klucze podstawowe, formalne klucze obce, indeksy), a każda zdegradowana odpowiedź niesie ze sobą si_recommendation blok informujący sztuczną inteligencję o tym, czego jej brakuje — w tym opcja jednego połączenia umożliwiająca SI w trakcie rozmowy za pośrednictwem qs_request_si_analysisTwój klient AI może zaproponować natychmiastowe uruchomienie SI („czy chcesz, żebym najpierw włączył Schema Intelligence w tej bazie danych? Działa ona w tle za pośrednictwem Twojego agenta sieciowego i znacznie poprawi moje odpowiedzi”). Skala czasu wykonania w zależności od liczby tabel: Mała baza danych poniżej 100 tabel kończy się w około 10 minut; typowa baza danych średniej wielkości (kilkaset tabel) kończy się w 15–25 minut; duża baza danych przedsiębiorstwa z ponad 1500 tabelami może zająć 45–60 minut na pełne skanowanie. Kolejne odświeżania po zmianach schematu są przyrostowe i znacznie szybsze niż pierwsze uruchomienie. Schema Intelligence jest usługą opcjonalną. Po prostu nie sądzimy, że zechcesz z niej zrezygnować.
Nova AI

MCP nie jest dla Ciebie? Wypróbuj Nova AI.

Całkowicie pomiń konfigurację JSON: Nova AI jest wbudowana w portal internetowy Query Streams i zadaje te same proste pytania w całym łączniku PostgreSQL — „10 najlepszych klientów według wartości cyklu życia,,,zamówienia, które nie zostały wysłane przez ponad 7 dni— plus każdy inny łącznik na Twoim koncie, z tym samym agentem, wymuszaniem trybu tylko do odczytu, Schema Intelligence i bez konieczności korzystania z MCP.

Poznaj Nova AI

Wymagania wstępne

Zanim zaczniesz, upewnij się, że masz:

  1. Bezpłatne konto Query Streams na stronie my.querystreams.com.
  2. Agent sieciowy strumieni zapytań zainstalowany na maszynie, która może dotrzeć do klastra PostgreSQL — zobacz Pobierz agenta strumieni zapytań.
  3. Łącznik PostgreSQL skonfigurowany dla agenta — zobacz istniejący konfiguracja złącza przewodniki dotyczące ciągu połączenia. Agent przechowuje hasło do Postgres (lub dane uwierzytelniające IAM w przypadku zarządzanego Postgres); narzędzie AI nigdy ich nie modyfikuje.
  4. Dowolny klient AI obsługujący MCP. W tym przewodniku omówimy Cursor, Claude Desktop, ChatGPT i Grok; jeśli używasz Windsurf, Zed, Continue, Cline, VS Code Copilot, Codex lub Goose, blok konfiguracyjny jest zasadniczo taki sam.
  5. Pięć minut.
Agenta konfiguruje się tylko raz. Ten sam agent, który obsługuje dodatki Query Streams do Excela i Arkuszy Google, kreator zapytań internetowych i Nova AI, obsługuje również MCP. Dodanie MCP do istniejącego konta Query Streams polega jedynie na wygenerowaniu klucza — agent i łącznik Postgres są już uruchomione.
1

Wygeneruj klucz MCP

Z /mcp strona w Query Streams, utwórz klucz z zakresami, których potrzebujesz.

2

Wrzuć to do swojego klienta AI

Jeden fragment kodu JSON dla Cursor, Claude, ChatGPT lub Grok. Ten sam klucz wszędzie.

3

Zadaj pytanie

„Jakich 10 klientów było najbardziej wartościowych pod względem cyklu życia klienta?” — sztuczna inteligencja dzwoni do odpowiednich narzędzi, a Ty otrzymujesz odpowiedź.

Krok 1: Wygeneruj klucz MCP w strumieniach zapytań

Zaloguj się do Query Streams i otwórz Strona MCP (lub zaloguj się najpierw na my.querystreams.com i kliknij MCP (w nawigacji po lewej stronie). Kliknij Wygeneruj klucz, nadaj kluczowi rozpoznawalną nazwę (coś w stylu kursor-laptop lub claude-desktop) i wybierz zakresy, jakie ma mieć ten klucz:

  • Czytać — sztuczna inteligencja może przeglądać złącza i odczytywać schematy. Wymagane do wszystkich innych zadań.
  • analizować — sztuczna inteligencja może profilować tabele i odkrywać relacje (wartości próbek, rozkłady, typy semantyczne). Opcjonalne, ale zdecydowanie zalecane do pracy z Postgresem, gdzie zrozumienie kształtu danych ma znaczenie podczas generowania złączeń przez LLM.
  • wykonać — sztuczna inteligencja może faktycznie uruchamiać SQL. Bez tego, sztuczna inteligencja jest w stanie odczytywać jedynie metadane schematu.

W przypadku typowego przepływu pracy „pozwól Claude'owi przeanalizować moje dane Postgres” wszystkie trzy zakresy są odpowiednie. W przypadku klucza, który przekazujesz członkowi zespołu lub klientowi o mniejszym zaufaniu, pomiń wykonać i pozwól im tylko przeglądać. Możesz w każdej chwili odwołać dowolny klucz z tej samej strony; klient AI zobaczy MCP_KEY_REVOKED przy następnym wywołaniu i natychmiast przestaje działać. Nie ma opóźnienia propagacji.

Skopiuj klucz teraz — Query Streams wyświetla go raz, a następnie przechowuje tylko skrót. Jeśli go zgubisz, wygeneruj nowy. Klucz wygląda tak: qsmcp_ po którym następuje 48 losowych znaków i to jest to, co wysyła Twój klient AI Klucz X-MCP nagłówek żądania.

Krok 2: Dodaj MCP Query Streams do swojego klienta AI

Konfiguracja ma taki sam kształt dla każdego klienta obsługującego MCP — wpis serwera MCP wskazujący na https://mcp.querystreams.com z kluczem w środku Klucz X-MCP nagłówek. Wybierz swojego klienta poniżej.

Kursor
Kursor ~/.kursor/mcp.json 
// Edytuj ~/.cursor/mcp.json
{
  „serwery mcp”: {
    „strumienie zapytań”: {
      "adres URL": "https://mcp.querystreams.com",
      „nagłówki”: {
        „Klucz X-MCP”: "qsmcp_WKLEJ_KLUCZ_TUTAJ"
      }
    }
  }
}
Claude Desktop
Claude Desktop claude_desktop_config.json 
// Ustawienia → Deweloper → Edytuj konfigurację
{
  „serwery mcp”: {
    „strumienie zapytań”: {
      "adres URL": "https://mcp.querystreams.com",
      „nagłówki”: {
        „Klucz X-MCP”: "qsmcp_WKLEJ_KLUCZ_TUTAJ"
      }
    }
  }
}
ChatGPT
ChatGPT Aplikacje i łączniki 
// Ustawienia → Aplikacje i łączniki → Dodaj MCP
Adres URL serwera  https://mcp.querystreams.com
Nagłówek autoryzacji Klucz X-MCP
Wartość nagłówka qsmcp_WKLEJ_KLUCZ_TUTAJ

// Wymaga płatnego planu ChatGPT
// (Plus / Pro / Team / Enterprise).
Grok
Grok Narzędzia MCP Remote 
// Grok → Ustawienia → Narzędzia
{
  „serwery_mcp”: [{
    "nazwa": „strumienie zapytań”,
    "adres URL": "https://mcp.querystreams.com",
    „nagłówek_auth”: „Klucz X-MCP”,
    „wartość_autoryzacji”: "qsmcp_..."
  }]
}

Uruchom ponownie klienta AI. Przy kolejnym uruchomieniu wykryje on osiem narzędzi MCP Query Streams wymienionych powyżej i wyświetli je w palecie narzędzi. W programach Cursor i Claude Desktop możesz to sprawdzić, wpisując: „lista łączników” — sztuczna inteligencja powinna zadzwonić qs_list_connectors i zwróć łącznik PostgreSQL wraz ze wszystkim, co skonfigurowałeś.

Krok 3: Zadaj sztucznej inteligencji pytanie dotyczące PostgreSQL

Nie piszesz SQL – robi to sztuczna inteligencja. Zadajesz pytanie, sztuczna inteligencja wybiera odpowiednie narzędzie MCP, agent uruchamia zapytanie do bazy danych Postgres, a odpowiedź powraca w postaci tekstu i tabel. Trzy przykładowe polecenia do wypróbowania na początek:

„Jakich 10 najlepszych klientów znalazło się na przestrzeni całego cyklu ich życia?”
Klienci
Sztuczna inteligencja zadzwoni qs_get_connector_schema aby odkryć tabele zamówień, pozycji zamówienia i klientów, a następnie qs_run_query z SELECT, który łączy klienci do zamówienia do pozycje, oblicza SUMA(ilość * cena jednostkowa) na klienta i zwraca 10 najlepszych według wartości cyklu życia. Zobaczysz tabelę wyników w tekście oraz pisemną interpretację – którzy klienci koncentrują się na jakich produktach lub regionach, wzorce powtarzalnych zakupów, średnia wielkość zamówienia – którą sztuczna inteligencja wywnioskowała z danych.
„Pokaż mi zamówienia, które nie zostały wysłane przez ponad 7 dni”.
Operacje
Sztuczna inteligencja wykorzystuje wykrywanie wyliczeń Schema Intelligence zamówienia.status filtrować do „opłacony” zamówienia, które mają wartość NULL wysłane_w i created_at starszy niż NOW() - INTERWAŁ '7 dni'. Rezultatem jest skoncentrowana lista zawierająca identyfikator zamówienia, adres e-mail klienta, sumę całkowitą i liczbę dni od daty płatności — zazwyczaj sztuczna inteligencja sortuje od najstarszych i oznacza te najbardziej niepokojące, które są eskalacja zespołu ds. realizacji zamówień zamiast zaokrąglania błędów. Możesz to sprawdzić, pytając „dlaczego rozkaz 4821 jest nadal w toku?” a sztuczna inteligencja wyciągnie odpowiednie wiersze.
„Jak przychody w tym miesiącu mają się do przychodów z tego samego miesiąca w roku ubiegłym?”
Przychód
Porównanie rok do roku z sumami, zmianą procentową oraz podziałem na produkty lub kategorie, jeśli sztuczna inteligencja uzna to za istotne. Sztuczna inteligencja użyje idiomatyki Postgres. DATE_TRUNC('miesiąc', o.created_at) i arytmetyki dat, a następnie zazwyczaj „chcesz, żebym to przedstawił na wykresie tygodniowym?” lub „chcesz zobaczyć to samo porównanie z podziałem na kanały pozyskania?” Jeśli masz te kolumny w innej tabeli. Konwersacyjnie; nie musisz resetować kontekstu między pytaniami.

Gdy sztuczna inteligencja po raz pierwszy wywoła narzędzie, Twój klient może wyświetlić monit o potwierdzenie z prośbą o zatwierdzenie wywołania narzędzia — to standardowy proces uzyskiwania zgody w MCP, a nie coś, co dodaje Query Streams. Zatwierdź raz, a sztuczna inteligencja swobodnie kontynuuje rozmowę. Możesz w dowolnym momencie powrócić do zgody w ustawieniach klienta.

Uczciwa informacja o rozliczeniach: opłaty za korzystanie z MCP są naliczane za nieskompresowane bajty

Dodatek do programu Excel firmy Query Streams, dodatek do Arkuszy Google, kreator zapytań internetowych i Nova AI działają w oparciu o nasze skompresowane łącze w chmurze — mierzymy i rozliczamy skompresowane bajty względem Twojego obszaru danych. Transport MCP (strumieniowy protokół HTTP zgodnie z oficjalną specyfikacją MCP) nie obsługuje niezawodnej kompresji end-to-end dla każdego klienta i pośredniczącego serwera proxy, dlatego mierzymy i rozliczamy nieskompresowane bajty dla ruchu MCP.

  • Co to oznacza: Zestaw wyników Postgres o rozmiarze 1 MB kosztuje około 1 MB obszaru danych pobranego przez MCP, w porównaniu z około 150–250 KB przez Excela/Arkusze/Nova/Builder Query Builder. Zapytanie zbiorcze o 10 000 wierszy, które generuje około 2 MB danych JSON przez MCP, kosztowałoby około 300–400 KB bajtów skompresowanych metodą LZ4 przez klientów Excela/Arkuszy/Nova/Builder Query Builder. Te same dane, inny transport, inny rozmiar do rozliczenia.
  • Czym to nie jest: narzut lub kara za korzystanie z protokołu MCP. Przekazujemy faktycznie wysłane bajty. Inni klienci są tańsi, ponieważ kompresja działa niezawodnie w tych transportach; nie karzemy za wybór protokołu, ale musimy być transparentni co do kształtu kosztów.
  • Co możesz zrobić: W przypadku bardzo dużych, powtarzających się zapytań (np. eksportu ponad 100 tys. wierszy) preferowana jest ścieżka Excel/Arkusze/Nova. W przypadku interaktywnych wywołań narzędzi AI (typowa odpowiedź Postgres o długości 100–5000 wierszy, pasująca do kontekstu LLM), właściwym wyborem jest MCP, a różnica w kosztach jest mierzona w centach.

Często zadawane pytania

Czy muszę otworzyć porty lub uruchomić sieć VPN, aby z tego korzystać? +
Brak reguł przychodzących, przekierowania portów, NAT Punchthrough ani VPN. Agent sieciowy nawiązuje jedno połączenie wychodzące TLS (port 443), a Twój klient AI osiąga https://mcp.querystreams.com z publicznego Internetu — jeśli wychodzący protokół HTTPS działa na hoście agenta, protokół MCP działa. Zobacz jak działa połączenie tylko wychodzące →
Jakich narzędzi AI mogę używać z Query Streams MCP? +
Każdy klient obsługujący otwarty protokół Model Context Protocol — Claude Desktop, Claude Code, Cursor, ChatGPT (płatny), Grok, Gemini CLI, Windsurf, Zed i ponad 500 innych. Zabierz własne narzędzie AI; nie musisz się przesiadać. Pełna lista obsługiwanych klientów AI →
Czy mogę unieważnić klucz MCP? +
Tak — trzy niezależne wyłączniki bezpieczeństwa (na każdy klawisz z /mcp (strona, organizacja za pośrednictwem ustawień planu i platforma), z których żadna nie wymaga rotacji hasła bazy danych ani ponownego uruchomienia agenta. Więcej o bezpieczeństwie kluczy MCP →
W jaki sposób korzystanie z MCP jest rozliczane w oparciu o mój obszar danych? +
Wywołania MCP korzystają z tego samego budżetu danych, z którego korzystają aplikacje Excel, Arkusze Google, Web Query Builder i Nova AI — jednego budżetu zużycia dla każdej metody dostępu. Rozmiar mierzony dla MCP jest różny. Pozostali klienci korzystają z naszego skompresowanego łącza w chmurze (wystawiamy faktury skompresowane bajty); MCP działa w oparciu o protokół Streamable HTTP, który nie obsługuje kompresji end-to-end przez każdego klienta i serwer proxy, dlatego wystawiamy faktury nieskompresowane bajtyWynik Postgres o rozmiarze 1 MB zwrócony do Excela zazwyczaj kosztuje około 150–250 KB obszaru danych; ten sam wynik o rozmiarze 1 MB zwrócony do Cursora przez MCP kosztuje około 1 MB. Jesteśmy o tym transparentni, ponieważ wolimy, abyś wiedział o tym z góry, niż był zaskoczony pod koniec cyklu rozliczeniowego.
Czy Query Streams MCP współpracuje z zarządzaną bazą danych PostgreSQL na platformie AWS RDS, platformą Azure Database for PostgreSQL lub platformą Google Cloud SQL? +
Tak — Query Streams MCP współpracuje z dowolnym silnikiem Postgres, do którego agent sieciowy może dotrzeć przez TCP, niezależnie od miejsca jego hostowania. Obsługiwane są w szczególności: AWS RDS dla PostgreSQL, Zgodność z AWS Aurora PostgreSQL, Baza danych Azure dla PostgreSQL (pojedynczy serwer, elastyczny serwer), Google Cloud SQL dla PostgreSQL, DigitalOcean zarządzany PostgreSQLoraz samodzielnie hostowanego Postgres na EC2, maszynach wirtualnych Azure, Google Compute Engine lub sprzęcie lokalnym. Agent obsługuje ciąg połączenia — obsługiwane są uwierzytelnianie IAM, SCRAM-SHA-256, SSL/TLS i niestandardowe certyfikaty CA. W ramach różnych poziomów subskrypcji dostępnych jest wielu agentów sieciowych, dzięki czemu można wdrożyć agenta w tym samym regionie lub sieci VPC, co każdy klaster Postgres, aby uzyskać jak najlepsze opóźnienie. Serwer MCP nie widzi danych uwierzytelniających; widzi je tylko agent.
Czym to się różni od samodzielnego uruchamiania serwera PostgreSQL MCP opartego na kodzie otwartym? +
Bezpośredni serwer PostgreSQL MCP (projekty społecznościowe istnieją na GitHubie) to jeden serwer MCP na źródło danych. Aby Claude mógł odczytywać dane z Postgres + Google Search Console + konta Stripe + magazynu Snowflake, potrzebne byłyby cztery serwery MCP skonfigurowane oddzielnie dla każdego klienta AI, każdy z własnymi danymi uwierzytelniającymi, każdym z własnym modelem zakresu i każdym z własną historią audytu. Serwer MCP Query Streams to jeden klucz docierający do każdego konektora sparowanego z Twoim kontem. Uzyskujesz również dostęp do Schema Intelligence, wymuszania trybu „tylko do odczytu” na poziomie agenta, limitów częstotliwości dla każdego klucza oraz ścieżki audytu. dzienniki_zdarzeńoraz ten sam proces rozliczeń w oparciu o dane, z którego już korzystasz — a żadnego z nich nie oferuje bezpośredni MCP.
Co się stanie, jeśli sztuczna inteligencja spróbuje zapisać lub usunąć dane? +
Jest odrzucany przez agenta, zanim źródło danych zobaczy kod SQL. Każdy qs_run_query połączenie jest analizowane przez zakodowany na stałe walidator tylko do odczytu, który pozwala tylko SELECT, Z, oraz WYJAŚNIĆ oświadczenia; cokolwiek innego zwraca NARUSZENIE TYLKO DO ODCZYTU i nigdy nie dociera do PostgreSQL. Walidator działa w procesie agenta w Twojej sieci, a nie w chmurze, więc zainfekowana powierzchnia chmury nie mogłaby go ominąć. (Można zastosować warstwę po stronie PostgreSQL) TYLKO DO ODCZYTU rola na górze, jeśli chcesz mieć pasy i szelki — walidator agenta jest niezależny od roli Postgres, którą skonfigurowałeś.)
Czy mogę zobaczyć, o co właściwie zapytała sztuczna inteligencja? +
Tak. Każde wywołanie narzędzia MCP zapisuje wiersz do dzienniki_zdarzeń z organizacją, użytkownikiem, kluczem, zakresem, opóźnieniem i kodem wyniku. Administrator organizacji może odpowiedzieć na pytanie „kto korzystał z MCP w zeszłym tygodniu, który łącznik i o co pytał?” jednym zapytaniem. Należy pamiętać, że rejestrujemy nazwa i metadane narzędzia, a nie tekst SQL ani zwrócone wiersze — te przepływają przez łącze w chmurze i nigdy nie trafiają do logów w chmurze. Jeśli chcesz pełnego audytu SQL, włącz audyt po stronie bazy danych w silniku bazowym; w przypadku Postgres jest to szczególnie ważne. pgaudit lub istniejącego procesu zapytań-logów.
Czy muszę uruchomić Schema Intelligence, aby używać Query Streams MCP? +
NIE - Schema Intelligence jest usługą opcjonalną (łącznik, baza danych) para, a MCP działa bez niego bez zarzutu. Sztuczna inteligencja otrzymuje podstawowy schemat (typy, klucze podstawowe, formalne klucze obce, indeksy) i tworzy podstawowe zapytania. Po włączeniu SI, sztuczna inteligencja otrzymuje sześć dodatkowych warstw uporządkowanych metadanych: (1) Opisy każdej bazy danych, tabeli i kolumny opracowane przez sztuczną inteligencję; (2) klasyfikacje tabel (FACT dla zdarzeń transakcyjnych, DIM dla odniesień opisowych, LOOKUP dla małych map kodu) oraz tag domeny biznesowej (sprzedaż, hr, SEO, finanse, wsparcie i 14 innych); (3) typ semantyczny w każdej kolumnie (waluta, e-mail, data_iso, kod statusu, procent, pozycja rankingowa, identyfikator, adres URL, nazwa osoby i 9 innych), który umożliwia generowanie poprawnego dialektowo kodu SQL w programie Postgres; (4) przykładowe wartości z Twoich rzeczywistych danych, aby LLM rozpoznał wzorce, których żaden schemat nie jest w stanie pokazać; (5) wykrywanie wyliczeń z pełnymi rozkładami wartości dla kolumn o niskiej kardynalności; i (6) Klucze obce odkryte przez sztuczną inteligencję na podstawie nakładania się danych między tabelami, ujawnione za pomocą qs_get_relationshipsBez SI każda odpowiedź narzędzia schematu również niesie ze sobą si_recommendation blok zawierający dokładną listę brakujących elementów połączenia — sztuczna inteligencja może to odczytać i zaproponować uruchomienie SI w trakcie rozmowy za pośrednictwem qs_request_si_analysisCzas wykonania skaluje się wraz z liczbą tabel: mała baza danych poniżej 100 tabel kończy się w około 10 minut; typowa baza danych średniej wielkości (kilkaset tabel) kończy się w 15–25 minut; duża baza danych przedsiębiorstwa z ponad 1500 tabelami może zająć 45–60 minut na pełne skanowanie. SI uruchamia się za pośrednictwem agenta sieciowego na Twoich danych (nigdy w chmurze), nigdy nie zapisuje do Twojej bazy danych, nigdy nie zmienia Twojego schematu i odświeża się przyrostowo po zmianie schematu — dzięki czemu kolejne uruchomienia po dodaniu lub zmianie tabel są znacznie szybsze niż pierwsze. Efekt kompleksowy: z włączoną SI Twój klient AI zapisuje poprawny kod SQL za pierwszym razem znacznie częściej niż na dowolnym serwerze „MCP dla X”, który po prostu przekazuje LLM. schemat_informacyjny.
Co się stanie, jeśli później dodam inny łącznik, np. Stripe lub PostgreSQL? +
Po stronie klienta nic się nie zmienia — ten sam klucz dociera do nowego łącznika w momencie, gdy agent go sparuje (qs_list_connectors (podnosi je automatycznie). Jeden blok konfiguracyjny kupuje całe Twoje konto, obecne i przyszłe. Dlaczego jeden klucz pasuje do każdego złącza →
Czy muszę skonfigurować MCP tylko po to, aby móc czatować przy użyciu swoich danych? +
NIE - Nova AI jest wbudowana w portal Query Streams i działa z każdym łącznikiem (w tym z PostgreSQL) bez instalacji ani plików konfiguracyjnych MCP. Użyj Nova do komunikacji z danymi w strumieniach zapytań; użyj MCP, gdy chcesz, aby Twój własny klient AI (Claude, Cursor, ChatGPT itp.) miał dostęp do tych samych danych — tego samego agenta, tych samych łączników, tej samej Schema Intelligence. Dowiedz się więcej o Nova AI →

Zacznij

Podłącz swoje narzędzie AI do danych PostgreSQL w pięć minut.

Jeden klucz MCP dociera do PostgreSQL, każdej innej bazy danych i każdego łącznika API na Twoim koncie Query Streams — z pełnym śladem audytu, limitami przepustowości dla każdego klucza i zerowymi zmianami zapory sieciowej. Claude, Cursor, ChatGPT i Grok działają od razu.

Zarejestruj się za darmo Pobierz agenta

Powiązane przewodniki: Pobierz agenta strumieni zapytań | Konfiguracja łącznika bazy danych | Wszystkie przewodniki po serwerze MCP | Nova AI tekst-do-SQL

Kategoria: Serwer MCP

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

Metaopis: Połącz Postgres z Claude lub Cursorem przez Query Streams MCP. Tylko wychodzące, tylko do odczytu, konfiguracja 5 minut.

Zaktualizowano na czerwiec 16, 2026
Klaudiusz kursor baza danych mcp baza danych typu open source postgresql

Jakie są twoje uczucia?

  • Szczęśliwy
  • Normalny
  • Smutny

Powered by BetterDocs