MCP-Server für Datenbanken

DC Studio | shutterstock.com

Das Model Context Protocol ( und und kann der MCP-Tools, um mit PostgreSQL-Datenbanken zu arbeiten. Für verteilte Postgres-Datenbanken übernimmt der für seine gesamte Produktpalette aufgebaut – darunter auch andere Amazon-Datenbankplattformen wie:

• und





• nutzen, um über MCP-kompatible KI-Clients mit der Plattform zu interagieren. Mithilfe dieses Remote-MCP-Servers können Entwickler:
  
  
  
  
  
  
  
  • Abfragen zu Datenquellen generieren und ausführen oder
  
  
  
  
  
  • Metadaten zu Datensätzen, Tabellen und Schemata abrufen.
  
  
  
  
  
  
  

  All das ist mit einem einfachen Prompt in natürlicher Sprache realisierbar, beispielsweise: „Liste alle Datensätze im Projekt PROJECT_ID auf.“ Die Ergebnisse lassen sich nach Region, Datensatz-ID, Spaltennamen und weiteren Kriterien filtern. Als Teil von Googles vollständig gemanagtem, remote gehostetem MCP-Portfolio kann der BigQuery MCP Server verteilten Teams das Leben in Bezug auf Security, Wartung und Benutzerfreundlichkeit leichter machen. Allerdings unterliegen die BigQuery-MCP-Tools einigen Beschränkungen hinsichtlich des Umfangs der Abfrageergebnisse, der Verarbeitungszeit und anderen Faktoren.

  
  
  
  
  

  Zu empfehlen für: Anwender, die bereits auf BigQuery setzen und zusätzliche, agentische Kontrollmaßnahmen wünschen.

  
  
  
  
  

  Elastic Agent Builder

  
  
  
  
  

  Eine weitere wichtige Datenbankkategorie umfasst Plattformen, die für Keyword- und semantische Suchen konzipiert sind. In diesem Bereich wird häufig Elasticsearch eingesetzt. Anstelle eines einzelnen MCP-Servers bietetdas Unternehmen inzwischen den für die Programmability und um Agenten anderen Clients zugänglich zu machen. Hierbei handelt es sich ausdrücklich nicht um eine direkte MCP-Schnittstelle zu den reinen Elasticsearch-APIs. Stattdessen stellt das Interface Skills der Agentenplattform bereit.

  
  
  
  
  

  Ein möglicher Nachteil ist dabei, dass dadurch eine zusätzliche Ebene zwischen IDE (beziehungsweise Agenten) und den Daten, nach denen gesucht wird, eingezogen wird. Einen Agenten einzurichten, erfordert eine höhere Abonnement-Stufe und im Vergleich zu anderen MCP-Servern sind zusätzliche Konfigurationsschritte erforderlich.

  
  
  
  
  

  Zu empfehlen für: Anwender, die Wert auf eine erweiterbare gemeinsame Ebene für die Interaktion sowohl mit Elasticsearch als auch mit externen MCP-Servern legen und gleichzeitig Verantwortlichkeiten wie Berechtigungen zentralisieren möchten.

  
  
  
  
  

  Neo4j MCP-Server

  
  
  
  
  

  Graph-Datenbanken sind inzwischen ebenfalls ein wichtiger NoSQL-Datenbanktyp. Dieser ist darauf spezialisiert, mithilfe von Nodes und Edges Abfragen in stark vernetzten Datenstrukturen zu beschleunigen. Eine populäre Option in diesem Bereich ist Neo4j. Der zugehörige .

  
  
  
  
  

  Zu empfehlen für: Neo4j-Poweruser, die mit ihren Graph-Datenbanken auf chatbasierte Weise experimentieren möchten.

  
  
  
  
  

  MCP Toolbox for Databases

  
  
  
  
  

  Bei für knapp 30 verschiedene Datenbanken ausgeliefert – darunter:

  
  
  
  
  
  
  
  • PostgreSQL,
  
  
  
  
  
  • MySQL,
  
  
  
  
  
  • SQL Server,
  
  
  
  
  
  • Oracle Database,
  
  
  
  
  
  • MongoDB,
  
  
  
  
  
  • Redis,
  
  
  
  
  
  • Neo4j,
  
  
  
  
  
  • Snowflake, sowie
  
  
  
  
  
  • die Datenbanken in Google Cloud.
  
  
  
  
  
  
  

  Sobald die Datenquellen in einer tools.yaml-Datei definiert sind, können mit der MCP Toolbox strukturierte Abfragen oder semantische Suchen in Datenbanken durchgeführt werden – direkt über eine IDE oder einen Agentic Client und in natürlicher Sprache. Dabei werden Befehle in Aktionen wie list_tables und execute_sql übersetzt.

  
  
  
  
  

  Zu empfehlen für: Anwender, die verschiedene Datenbanken in Google Cloud (oder anderswo) nutzen und einen „All-in-One“-MCP-Server brauchen.

  
  
  
  
  

  MongoDB MCP-Server

  
  
  
  
  

  veröffentlicht. Dieser ist sowohl mit der quelloffenen Datenbank als auch mit der gehosteten Cloud-Datenbankplattform MongoDB Atlas kompatibel. Um mit MongoDB-Instanzen zu interagieren, stellt der MCP-Server eine verbunden ist).

  
  
  
  
  

  Zu empfehlen für: Alle, die MongoDB nutzen und ihre KI-fähige IDE oder CLI mit mehr Automatisierungsfunktionen ausstatten möchten.

  
  
  
  
  

  Pinecone MCP-Server

  
  
  
  
  

  Geht es um native und umfassenden SDKs. Der zur Verfügung, der Lese-, Abfrage- und Schreibfunktionen realisiert. Entwickler können den Redis MCP-Server über einen LLM-Client nutzen, um Redis-Daten auf Prompt-Basis:

  
  
  
  
  
  
  
  • abzufragen,
  
  
  
  
  
  • zu analysieren oder
  
  
  
  
  
  • einzubetten.
  
  
  
  
  
  
  

  Die stellt es so auch kein Problem dar, mit Redis-Konstrukten wie Hashes, Lists, Sets und Streams zu arbeiten. Ein möglicher Nachteil dieser Option: Der Redis MCP-Server bietet bislang keinen Support für Streamable-HTTP-Transport. Bis es soweit ist, ist dieser MCP-Server auf eine lokale Bereitstellung beschränkt.

  
  
  
  
  

  Zu empfehlen für: Alle, die einen lokalen MCP-Server für die Arbeit mit Redis-Daten suchen.

  
  
  
  
  

  Snowflake MCP-Server

  
  
  
  
  

  Snowflake ist eine in der Cloud gehostete, KI-fähige Datenplattform, die im Enterprise-Umfeld häufig für Data Warehousing, Datenanalysen und Data Engineering eingesetzt wird. Im Vergleich zu anderen Plattformen zeichnet sich Snowflake dabei dadurch aus, dass es vollumfänglich gemanagt wird und strukturierte sowie unstrukturierte Datentypen kombiniert. Der verfügbar ist, lässt sich für diverse Standardoperationen der Snowflake-Plattform einsetzen. Dazu gehören etwa:

  
  
  
  
  
  
  
  • „Fuzzy“-Suchen über Snowflakes Cortex Search in allen Datensätzen, sowie
  
  
  
  
  
  • semantische Abfragen strukturierter Daten mithilfe von Cortex Analyst.
  
  
  
  
  
  
  

  Zu den weiteren Funktionen gehören Objektmanagement-Prozesse – also Datensätze zu erstellen, zu aktualisieren oder zu löschen. Der MCP-Server kann darüber hinaus weitere agentenbasierte Funktionen realisieren, etwa SQL-Anweisungen für Backend-Datenbanken zu generieren und auszuführen. Der Snowflake MCP-Server ist dabei sowohl gut durchdacht als auch umfassend dokumentiert.

  
  
  
  
  

  Zu empfehlen für: Anwender, die bereits mit Snowflake arbeiten.

  
  
  
  
  

  Supabase MCP-Server

  
  
  
  
  

  PostgreSQL ist eines der beliebtesten und bewährtesten objektrelationalen, SQL-basierten Datenbanksysteme. Seiner aktiven .

  
  
  
  
  

  Stattdessen bieten auf PostgreSQL aufbauende Datenbankplattformen , einer Cloud-basierten „Backend-as-a-Service“- und Postgres-Entwicklungsplattform. Der Supabase MCP Server verbindet KI-Agenten mit Supabase-Projekten und ermöglicht es Entwicklern, Befehle in natürlicher Sprache zu erteilen, um:

  
  
  
  
  
  
  
  • Tabellen zu verwalten,
  
  
  
  
  
  • Daten abzufragen,
  
  
  
  
  
  • Protokolle abzurufen, und
  
  
  
  
  
  • Konfigurationsinformationen einzusehen.
  
  
  
  
  
  
  

  Allerdings gibt es noch kein finales Release des MCP-Servers von Supabase, weswegen einige Funktionen noch experimentell sind.

  
  
  
  
  

  Zu empfehlen für: Entwickler, die Supabase nutzen und nach einem MCP-Server suchen, um KI-Assistenten mit Postgres-Datenbanken zu verbinden – auf experimenteller Basis.

  
  
  
  
  

  Weitere MCP-Serveroptionen für Datenbanken

  
  
  
  
  

  Neben den offiziellen MCP-Servern mit Anbieter-Support stehen auch zahlreiche MCP-Server für weitere Datenbankplattformen und -typen zur Verfügung. Zum Beispiel:

  
  
  
  
  
  
  
  • , der vom deutschen Full-Stack-Entwickler , .
  
  
  
  
  
  • Die auf Vektordatenbanken ausgelegten MCP-Server von .
  
  
  
  
  
  
  

  (fm)

  
  
  
  
  

  Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.