AnalyticDB PostgreSQL MCP服务器

“AnalyticDB PostgreSQL” MCP服务器能做什么？

AnalyticDB PostgreSQL MCP服务器作为AI助手与AnalyticDB PostgreSQL数据库之间的通用接口，使AI代理能够与AnalyticDB PostgreSQL无缝通信，检索数据库元数据并执行各种SQL操作。通过通过模型上下文协议（MCP）开放数据库功能，它赋能AI模型执行如SELECT、DML和DDL SQL查询、分析表统计、检索结构或表信息等任务。这极大提升了开发流程，使数据库查询、结构探索和性能分析等任务在AI驱动环境中实现自动化和流畅化。

提示模板列表

代码库或文档中未提及任何提示模板。

资源列表

• adbpg:///schemas：检索已连接的AnalyticDB PostgreSQL数据库中的所有结构。
• adbpg:///{schema}/tables：列出指定结构下的所有表。
• adbpg:///{schema}/{table}/ddl：获取指定表的数据定义语言（DDL）语句。
• adbpg:///{schema}/{table}/statistics：显示特定表的详细统计信息。

工具列表

• execute_select_sql：在AnalyticDB PostgreSQL服务器上执行SELECT SQL查询，实现数据检索。
• execute_dml_sql：执行DML（INSERT、UPDATE、DELETE）SQL查询，实现数据库记录的修改。
• execute_ddl_sql：执行DDL（CREATE、ALTER、DROP）SQL查询，用于管理数据库结构。
• analyze_table：收集并更新表统计信息，优化查询计划。
• explain_query：获取指定SQL查询的执行计划，用于性能诊断。

该MCP服务器的应用场景

• AI驱动的数据库查询：使AI代理能够通过自然语言界面运行SELECT或DML SQL命令，便捷地实现数据检索或修改。
• 结构与元数据探索：允许AI模型获取并列出结构、表和DDL，高效探索数据库结构。
• 自动化表分析：利用analyze_table工具收集并更新统计信息，提升查询优化和性能调优。
• 查询优化指导：使用explain_query工具帮助开发者或AI代理理解并优化SQL查询。
• 数据工作流集成：无缝将数据库操作整合进由AI或编排工具管理的更大自动化工作流中。

如何设置

Windsurf

1. 确保已安装Python 3.10+。
2. 下载或克隆代码库：
   git clone https://github.com/aliyun/alibabacloud-adbpg-mcp-server.git
3. 在Windsurf配置文件中添加MCP服务器：

"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. 保存配置并重启Windsurf。
5. 通过确保服务器能响应MCP请求来验证连接。

Claude

1. 安装Python 3.10+及所需包。
2. 通过pip安装：
   pip install adbpg_mcp_server
3. 按如下方式在Claude配置中添加服务器：

"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. 保存配置并重启Claude。
5. 确认MCP服务器已正常运行。

Cursor

1. 配置Python 3.10+及依赖。
2. 可选择克隆或pip安装（见上文）。
3. 编辑Cursor配置文件，添加如下内容：

"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、重启Cursor，并验证MCP服务器功能。

Cline

1. 确保Python 3.10+和依赖已就绪。
2. 克隆或pip安装包。
3. 按如下方式更新Cline配置：

"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. 保存更改并重启Cline。
5. 检查连接，确保服务器可访问。

API密钥安全

请务必将数据库密码等敏感信息存储在环境变量中，而非明文配置文件。例如：

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

请按需配置系统环境变量，实现安全集成。

如何在FlowHunt流中使用MCP

在FlowHunt中集成MCP

要将MCP服务器集成到您的FlowHunt工作流中，请首先在流中添加MCP组件，并将其连接到AI代理：

点击MCP组件，打开配置面板。在系统MCP配置部分，使用如下JSON格式输入您的MCP服务器信息：

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

配置完成后，AI代理即可作为工具访问此MCP的所有功能。请记得将“adbpg-mcp-server”替换为您的MCP服务器实际名称，并将URL替换为您自己的MCP服务器地址。

概览

对该MCP服务器的评测显示：其在搭建、资源和工具方面有完善文档，但缺少提示模板，也未提及Roots或采样等高级特性，重点聚焦数据库相关工作流。

MCP评分

评分：
我会给这个MCP服务器打分为7/10。它在基础集成与数据库应用场景方面文档齐全，但由于缺少提示模板、高级MCP特性，以及社区活跃度（star/fork）较低，得分不高。对于数据库聚焦的AI工作流来说，这是一个很好的起点。