pg-mcp-server
pg-mcp-server 是一款专为 PostgreSQL 数据库设计的 AI 代理中间件,基于模型上下文协议(MCP)构建。它旨在解决大语言模型在直接操作数据库时面临的连接管理困难、架构理解不足以及查询优化缺失等痛点,让 AI 能够像专业 DBA 一样安全、高效地与数据库交互。
这款工具特别适合后端开发者、数据工程师以及正在构建数据库智能助手的 AI 应用研发人员使用。通过 pg-mcp-server,AI 代理不仅能执行只读查询,还能自动发现数据库结构,获取表与字段的详细注释,甚至解读复杂的执行计划以优化性能。
其核心技术亮点在于强大的扩展性与上下文感知能力:它不仅支持同时连接多个数据库并实行安全的连接池管理,还内置了针对 PostGIS(地理空间数据)和 pgvector(向量搜索)等流行扩展的深度知识库,能以 YAML 形式向 AI 提供专属指导。此外,它提供了从 schema 探索到样本数据查看的全套资源接口,并支持通过自然语言提示直接生成和分析 SQL。无论是用于本地开发调试还是生产环境部署,pg-mcp-server 都能显著提升 AI 处理复杂数据任务的能力。
使用场景
某电商公司的数据分析师正试图让 AI 助手快速诊断一个涉及地理空间数据的复杂销售查询性能问题。
没有 pg-mcp-server 时
- 分析师需手动复制表结构文档粘贴给 AI,若数据库中有未文档化的 PostGIS 空间字段,AI 常因缺乏上下文而生成错误的 SQL 语法。
- 面对查询缓慢的问题,AI 只能凭经验猜测原因,无法直接调用数据库原生的执行计划分析工具,导致优化建议往往纸上谈兵。
- 每次切换不同业务库(如订单库与用户库)时,需反复在对话中重申连接信息,且难以安全地管理多个并发的数据库会话。
- 对于向量相似度搜索等高级特性,由于缺乏内置的最佳实践指引,AI 生成的 pgvector 查询语句效率低下甚至不可用。
使用 pg-mcp-server 后
- pg-mcp-server 自动从数据库目录提取详细的表列描述及 PostGIS 扩展知识,AI 能直接理解空间数据类型,一次性写出正确的地理围栏查询语句。
- 通过集成的
pg_explain工具,AI 可直接获取并分析真实的 JSON 格式执行计划,精准定位全表扫描瓶颈并提供具体的索引优化方案。 - 利用其稳健的连接管理功能,分析师可安全地为不同业务库注册连接 ID,AI 能在多库间无缝切换查询,无需重复暴露敏感连接串。
- 内置的 pgvector 上下文让 AI 即刻掌握向量检索的最佳实践,生成的相似度搜索代码既符合规范又具备高性能。
pg-mcp-server 通过将数据库深层元数据与执行能力标准化,让 AI 从“只会写通用 SQL"进化为“懂业务、能诊断”的资深数据库专家。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
PostgreSQL 模型上下文协议 (PG-MCP) 服务器
一个针对 PostgreSQL 数据库的模型上下文协议 (MCP) 服务器,为 AI 代理提供了增强的功能。
有关 pg-mcp 项目的更多信息,请访问:
https://stuzero.github.io/pg-mcp/
概述
PG-MCP 是 PostgreSQL 数据库的 模型上下文协议 的服务器实现。它提供了一个全面的 API,使 AI 代理能够通过 MCP 的资源导向架构来发现、连接、查询和理解 PostgreSQL 数据库。
该实现基于并扩展了 参考的 Postgres MCP 实现,并引入了几项关键增强:
- 完整的服务器实现:作为具有 SSE 传输的完整服务器构建,适用于生产环境
- 多数据库支持:可同时连接多个 PostgreSQL 数据库
- 丰富的元数据信息:从数据库目录中提取并暴露表和列的描述
- 扩展上下文:提供基于 YAML 的详细 PostgreSQL 扩展知识,如 PostGIS 和 pgvector
- 查询解释工具:包含专门用于分析查询执行计划的工具
- 强大的连接管理:完善的数据库连接生命周期管理,并采用安全的连接 ID 处理机制
功能
连接管理
- 连接工具:注册 PostgreSQL 连接字符串并获取安全的连接 ID
- 断开连接工具:在使用完毕后显式关闭数据库连接
- 连接池:高效的连接池管理
查询工具
- pg_query:使用连接 ID 执行只读 SQL 查询
- pg_explain:以 JSON 格式分析查询执行计划
模式发现资源
- 列出带有描述的模式
- 列出带有描述和行数的表
- 获取列的详细信息,包括数据类型和描述
- 查看表的约束和索引
- 探索数据库扩展
数据访问资源
- 表数据示例(支持分页)
- 获取近似行数
扩展上下文
内置对 PostgreSQL 扩展的上下文信息,例如:
- PostGIS:空间数据类型、函数和示例
- pgvector:向量相似性搜索函数及最佳实践
其他扩展可以通过 YAML 配置文件轻松添加。
安装
先决条件
- Python 3.13+
- PostgreSQL 数据库
使用 Docker
# 克隆仓库
git clone https://github.com/stuzero/pg-mcp-server.git
cd pg-mcp-server
# 使用 Docker Compose 构建并运行
docker-compose up -d
手动安装
# 克隆仓库
git clone https://github.com/stuzero/pg-mcp-server.git
cd pg-mcp-server
# 安装依赖并创建虚拟环境 (.venv)
uv sync
# 激活虚拟环境
source .venv/bin/activate # Windows 系统:.venv\Scripts\activate
# 运行服务器
python -m server.app
使用
测试服务器
仓库中包含测试脚本,用于验证服务器功能:
# 基本服务器功能测试
python test.py "postgresql://username:password@hostname:port/database"
# Claude 驱动的自然语言到 SQL 转换
python example-clients/claude_cli.py "给我展示按总销售额排名前 5 的客户"
claude_cli.py 脚本需要设置以下环境变量:
# .env 文件
DATABASE_URL=postgresql://username:password@hostname:port/database
ANTHROPIC_API_KEY=your-anthropic-api-key
PG_MCP_URL=http://localhost:8000/sse
供 AI 代理使用
与代理配合使用的示例提示:
请使用 PostgreSQL MCP 服务器来分析数据库。
可用工具:
- connect:注册数据库连接字符串并获取连接 ID
- disconnect:关闭数据库连接
- pg_query:使用连接 ID 执行 SQL 查询
- pg_explain:获取查询执行计划
您可以通过以下资源探索模式信息:
pgmcp://{conn_id}/schemas
pgmcp://{conn_id}/schemas/{schema}/tables
pgmcp://{conn_id}/schemas/{schema}/tables/{table}/columns
完整的数据库描述可在以下资源中找到:
pgmcp://{conn_id}/
架构
该服务器基于以下技术构建:
- MCP:模型上下文协议的基础
- FastMCP:MCP 的 Python 库
- asyncpg:异步 PostgreSQL 客户端
- YAML:用于扩展上下文信息
安全考虑
- 服务器默认以只读模式运行(通过事务设置强制执行)
- 连接详情绝不会出现在资源 URL 中,仅使用不透明的连接 ID
- 数据库凭据只需在首次连接时发送一次
贡献
欢迎贡献!可扩展的方向包括:
- 添加更多 PostgreSQL 扩展的上下文文件
- 提供更多的模式内省资源
- 提供查询优化建议
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备