AnalyticDB PostgreSQL MCPサーバー

「AnalyticDB PostgreSQL」MCPサーバーは何をするのか？

AnalyticDB PostgreSQL MCPサーバーは、AIアシスタントとAnalyticDB PostgreSQLデータベースの間のユニバーサルインターフェースとして機能します。このサーバーにより、AIエージェントはAnalyticDB PostgreSQLとシームレスに通信し、データベースのメタデータ取得や各種SQL操作の実行が可能となります。Model Context Protocol（MCP）を介してデータベース機能を公開し、SELECT、DML、DDLのSQLクエリ実行、テーブル統計の分析、スキーマやテーブル情報の取得などのタスクをAIモデルが実現できます。これにより、データベースクエリやスキーマ探索、パフォーマンス分析などの作業をAIドリブンな環境で自動化・効率化できるようになります。

プロンプト一覧

リポジトリやドキュメントにプロンプトテンプレートは記載されていません。

リソース一覧

• adbpg:///schemas：接続中のAnalyticDB PostgreSQLデータベース内の全スキーマを取得します。
• adbpg:///{schema}/tables：指定したスキーマ内の全テーブルを一覧表示します。
• adbpg:///{schema}/{table}/ddl：特定テーブルのDDL（データ定義言語）ステートメントを取得します。
• adbpg:///{schema}/{table}/statistics：特定テーブルの詳細な統計情報を表示します。

ツール一覧

• execute_select_sql：AnalyticDB PostgreSQLサーバーでSELECT SQLクエリを実行し、データを取得します。
• execute_dml_sql：DML（INSERT, UPDATE, DELETE）SQLクエリを実行し、データベースレコードを操作します。
• execute_ddl_sql：DDL（CREATE, ALTER, DROP）SQLクエリを実行し、データベーススキーマを管理します。
• analyze_table：テーブル統計を収集・更新し、クエリプランの最適化に役立てます。
• explain_query：指定SQLクエリの実行計画を取得し、パフォーマンスの診断を行います。

このMCPサーバーの活用例

• AI駆動のデータベースクエリ：AIエージェントが自然言語インターフェースからSELECTやDMLを実行し、直接データ取得や編集を可能にします。
• スキーマ・メタデータ探索：AIモデルによりスキーマ・テーブル・DDLの取得や一覧表示ができ、効率的なデータベース構造の把握が可能です。
• 自動テーブル分析：analyze_tableツールを使い、統計収集・更新を自動化してクエリ最適化やパフォーマンス向上を図ります。
• クエリ最適化ガイダンス：explain_queryツールでSQLの実行計画を可視化し、開発者やAIエージェントによる最適化を支援します。
• データワークフロー統合：AIやオーケストレーションツールが管理する大規模ワークフローの中で、シームレスにデータベース操作を組み込めます。

セットアップ方法

Windsurf

1. Python 3.10+がインストールされていることを確認。
2. リポジトリをダウンロードまたはクローン：
   git clone https://github.com/aliyun/alibabacloud-adbpg-mcp-server.git
3. Windsurf設定ファイルに次のMCPサーバー設定を追加：

"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. 設定を保存してWindsurfを再起動。
5. サーバーがMCPリクエストに応答するか確認。

Claude

1. Python 3.10+と必要なパッケージをインストール。
2. pipでインストール：
   pip install adbpg_mcp_server
3. Claude設定に以下を追加：

"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. 設定を保存してClaudeを再起動。
5. MCPサーバーが動作していることを確認。

Cursor

1. Python 3.10+と依存パッケージをセットアップ。
2. クローンまたはpipインストール（上記参照）。
3. Cursor設定ファイルに以下を追加：

"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. 保存後、Cursorを再起動し、MCPサーバーの機能を確認。

Cline

1. Python 3.10+と依存パッケージを用意。
2. パッケージをクローンまたはpipでインストール。
3. Cline設定を以下のように更新：

"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. 設定を保存し、Clineを再起動。
5. サーバーへの接続を確認。

APIキーのセキュリティ

データベースパスワードなどの機密値は、必ず環境変数で管理し、平文設定ファイルには記載しないようにしてください。例：

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

システムの環境変数を適切に設定し、安全な連携を実現しましょう。

FlowHuntフロー内でのMCP利用方法

FlowHuntでのMCP利用

フローにMCPコンポーネントを追加し、AIエージェントに接続することで、FlowHuntワークフローへMCPサーバーを組み込めます。

MCPコンポーネントをクリックして設定パネルを開きます。system MCP設定セクションで、次のJSON形式でサーバー情報を入力してください。

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

設定が完了すると、AIエージェントはこのMCPのあらゆる機能にアクセスできるようになります。“adbpg-mcp-server"は実際のサーバー名に、URLは自分のMCPサーバーURLに置き換えてください。

概要

このMCPサーバーのドキュメントはセットアップ、リソース、ツールについて充実していますが、プロンプトテンプレートやRoots、Samplingのような高度な機能の記載はありません。データベース中心ワークフローに特化しているのが特徴です。

MCPスコア

評価：
このMCPサーバーの評価は7/10です。基本的な統合やデータベース用途についてはドキュメントが充実していますが、プロンプトテンプレート・高度なMCP機能の欠如、コミュニティ採用（スター/フォーク）が少ない点で減点となります。データベース特化のAIワークフローには良い出発点です。