ماذا يفعل خادم “AnalyticDB PostgreSQL” MCP؟

يعمل خادم AnalyticDB PostgreSQL MCP كواجهة عالمية بين المساعدات الذكية وقواعد بيانات AnalyticDB PostgreSQL. يمكّن هذا الخادم الوكلاء الذكيين من التواصل بسلاسة مع قاعدة البيانات، مما يتيح لهم استرجاع البيانات التعريفية وتنفيذ مختلف عمليات SQL. من خلال كشف وظائف قاعدة البيانات عبر بروتوكول Model Context (MCP)، يمنح نماذج الذكاء الاصطناعي القدرة على تنفيذ مهام مثل تشغيل استعلامات SELECT وDML وDDL، وتحليل إحصائيات الجداول، واسترجاع معلومات المخطط أو الجداول. هذا يعزز بشكل كبير تدفقات التطوير عبر أتمتة وتبسيط مهام مثل الاستعلامات، واستكشاف المخطط، وتحليل الأداء من داخل بيئات الذكاء الاصطناعي.

قائمة الموجهات

لا توجد قوالب موجهات مذكورة في المستودع أو الوثائق.

قائمة الموارد

• adbpg:///schemas: استرجاع جميع المخططات الموجودة في قاعدة بيانات AnalyticDB PostgreSQL المتصلة.
• adbpg:///{schema}/tables: عرض جميع الجداول ضمن مخطط محدد.
• adbpg:///{schema}/{table}/ddl: جلب عبارة Data Definition Language (DDL) لجدول معين.
• adbpg:///{schema}/{table}/statistics: عرض الإحصائيات التفصيلية لجدول معين.

قائمة الأدوات

• execute_select_sql: تنفيذ استعلامات SELECT على خادم AnalyticDB PostgreSQL لاسترجاع البيانات.
• execute_dml_sql: تنفيذ استعلامات DML (INSERT, UPDATE, DELETE) لتعديل سجلات قاعدة البيانات.
• execute_ddl_sql: تنفيذ استعلامات DDL (CREATE, ALTER, DROP) لإدارة مخطط قاعدة البيانات.
• analyze_table: جمع وتحديث إحصائيات الجدول لتحسين تخطيط الاستعلام.
• explain_query: الحصول على خطة تنفيذ لاستعلام SQL محدد لتشخيص الأداء.

حالات استخدام هذا الخادم MCP

• استعلامات قاعدة البيانات المدعومة بالذكاء الاصطناعي: تمكين الوكلاء الذكيين من تنفيذ أوامر SELECT أو DML لتسهيل الاسترجاع أو التعديل المباشر للبيانات عبر واجهات اللغة الطبيعية.
• استكشاف المخطط والبيانات التعريفية: السماح لنماذج الذكاء الاصطناعي بجلب وعرض المخططات والجداول وعبارات DDL لاستكشاف بنية قاعدة البيانات بكفاءة.
• تحليل الجداول المؤتمت: استخدام أداة analyze_table لجمع وتحديث الإحصائيات، مما يحسن تحسين الاستعلام وضبط الأداء.
• إرشادات تحسين الاستعلام: استخدام أداة explain_query لمساعدة المطورين أو وكلاء الذكاء الاصطناعي في فهم وتحسين استعلامات SQL.
• الدمج في تدفقات البيانات: دمج عمليات قاعدة البيانات بسلاسة ضمن تدفقات عمل مؤتمتة أكبر تدار عبر الذكاء الاصطناعي أو أدوات التنسيق.

كيفية الإعداد

Windsurf

1. تأكد من تثبيت Python 3.10+.
2. قم بتنزيل أو استنساخ المستودع:
   git clone https://github.com/aliyun/alibabacloud-adbpg-mcp-server.git
3. في ملف إعدادات Windsurf الخاص بك، أضف خادم MCP:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uv",
    "args": [
      "--directory",
      "/path/to/adbpg-mcp-server",
      "run",
      "adbpg-mcp-server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. احفظ الإعدادات وأعد تشغيل Windsurf.
5. تحقق من الاتصال عبر التأكد من استجابة الخادم لطلبات MCP.

Claude

1. ثبّت Python 3.10+ والحزم المطلوبة.
2. ثبّت عبر pip:
   pip install adbpg_mcp_server
3. أضف الخادم إلى إعدادات Claude كما يلي:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. احفظ الإعدادات وأعد تشغيل Claude.
5. تأكد من أن خادم MCP يعمل.

Cursor

1. جهّز Python 3.10+ والمتطلبات.
2. اختر إما الاستنساخ أو التثبيت عبر pip (انظر أعلاه).
3. عدّل ملف إعدادات Cursor ليشمل:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. احفظ، أعد تشغيل Cursor، وتحقق من عمل خادم MCP.

Cline

1. تأكد من جاهزية Python 3.10+ وتثبيت المتطلبات.
2. استنسخ أو ثبّت الحزمة عبر pip.
3. حدث إعدادات Cline كالتالي:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. احفظ التغييرات وأعد تشغيل Cline.
5. تحقق من الاتصال للتأكد من الوصول إلى الخادم.

تأمين مفاتيح API

دائماً خزّن القيم الحساسة مثل كلمة مرور قاعدة البيانات في متغيرات البيئة، وليس في ملفات الإعدادات النصية. مثال:

"env": {
  "ADBPG_PASSWORD": "${ADBPG_PASSWORD_ENV}"
}

قم بضبط متغيرات البيئة على نظامك لضمان تكامل آمن.

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

لدمج خوادم MCP في تدفق عمل FlowHunt الخاص بك، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات النظام لـ MCP، أدخل تفاصيل خادم MCP الخاص بك وفقاً لهذا النموذج:

{
  "adbpg-mcp-server": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، سيتمكن وكيل الذكاء الاصطناعي الآن من استخدام هذا MCP كأداة مع إمكانية الوصول إلى جميع وظائفه وقدراته. تذكر تغيير “adbpg-mcp-server” إلى اسم خادم MCP الفعلي الخاص بك واستبدال عنوان URL بعنوان خادم MCP لديك.

نظرة عامة

مراجعة لهذا الخادم MCP تظهر أنه يحتوي على وثائق قوية للإعداد والموارد والأدوات، لكنه يفتقر لقوالب الموجهات ولا يذكر ميزات متقدمة مثل Roots أو Sampling. تركيزه واضح على تدفقات العمل المتعلقة بقواعد البيانات.

تقييم MCP

التقييم:
أمنح هذا الخادم MCP تقييم 7/10. الوثائق ممتازة للدمج الأساسي وحالات استخدام قواعد البيانات، لكنه يحصل على نقاط أقل بسبب غياب قوالب الموجهات، وميزات MCP المتقدمة، وانخفاض تبني المجتمع (نجوم/استنساخات). بالنسبة لتدفقات العمل الذكية التي تركز على قواعد البيانات، فهو نقطة انطلاق قوية.