[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-stuzero--pg-mcp-server":3,"tool-stuzero--pg-mcp-server":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":65,"owner_company":65,"owner_location":75,"owner_email":65,"owner_twitter":65,"owner_website":65,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":65,"view_count":32,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":141},4623,"stuzero\u002Fpg-mcp-server","pg-mcp-server",null,"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。\n\n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。\n\n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。","# PostgreSQL Model Context Protocol (PG-MCP) Server\n\nA Model Context Protocol (MCP) server for PostgreSQL databases with enhanced capabilities for AI agents.\n\nMore info on the pg-mcp project here:\n### [https:\u002F\u002Fstuzero.github.io\u002Fpg-mcp\u002F](https:\u002F\u002Fstuzero.github.io\u002Fpg-mcp\u002F)\n\n## Overview\n\nPG-MCP is a server implementation of the [Model Context Protocol](https:\u002F\u002Fmodelcontextprotocol.io) for PostgreSQL databases. It provides a comprehensive API for AI agents to discover, connect to, query, and understand PostgreSQL databases through MCP's resource-oriented architecture.\n\nThis implementation builds upon and extends the [reference Postgres MCP implementation](https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Ftree\u002Fmain\u002Fsrc\u002Fpostgres) with several key enhancements:\n\n1. **Full Server Implementation**: Built as a complete server with SSE transport for production use\n2. **Multi-database Support**: Connect to multiple PostgreSQL databases simultaneously\n3. **Rich Catalog Information**: Extracts and exposes table\u002Fcolumn descriptions from the database catalog\n4. **Extension Context**: Provides detailed YAML-based knowledge about PostgreSQL extensions like PostGIS and pgvector\n5. **Query Explanation**: Includes a dedicated tool for analyzing query execution plans\n6. **Robust Connection Management**: Proper lifecycle for database connections with secure connection ID handling\n\n## Features\n\n### Connection Management\n\n- **Connect Tool**: Register PostgreSQL connection strings and get a secure connection ID\n- **Disconnect Tool**: Explicitly close database connections when done\n- **Connection Pooling**: Efficient connection management with pooling\n\n### Query Tools\n\n- **pg_query**: Execute read-only SQL queries using a connection ID\n- **pg_explain**: Analyze query execution plans in JSON format\n\n### Schema Discovery Resources\n\n- List schemas with descriptions\n- List tables with descriptions and row counts\n- Get column details with data types and descriptions\n- View table constraints and indexes\n- Explore database extensions\n\n### Data Access Resources\n\n- Sample table data (with pagination)\n- Get approximate row counts\n\n### Extension Context\n\nBuilt-in contextual information for PostgreSQL extensions like:\n\n- **PostGIS**: Spatial data types, functions, and examples\n- **pgvector**: Vector similarity search functions and best practices\n\nAdditional extensions can be easily added via YAML config files.\n\n## Installation\n\n### Prerequisites\n\n- Python 3.13+\n- PostgreSQL database(s)\n\n### Using Docker\n\n```bash\n# Clone the repository\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# Build and run with Docker Compose\ndocker-compose up -d\n```\n\n### Manual Installation\n\n```bash\n# Clone the repository\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# Install dependencies and create a virtual environment ( .venv )\nuv sync\n\n# Activate the virtual environment\nsource .venv\u002Fbin\u002Factivate  # On Windows: .venv\\Scripts\\activate\n\n# Run the server\npython -m server.app\n```\n\n## Usage\n\n### Testing the Server\n\nThe repository includes test scripts to verify server functionality:\n\n```bash\n# Basic server functionality test\npython test.py \"postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\"\n\n# Claude-powered natural language to SQL conversion\npython example-clients\u002Fclaude_cli.py \"Show me the top 5 customers by total sales\"\n```\n\nThe `claude_cli.py` script requires environment variables:\n\n```\n# .env file\nDATABASE_URL=postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\nANTHROPIC_API_KEY=your-anthropic-api-key\nPG_MCP_URL=http:\u002F\u002Flocalhost:8000\u002Fsse\n```\n\n\n\n### For AI Agents\n\nExample prompt for use with agents:\n\n```\nUse the PostgreSQL MCP server to analyze the database. \nAvailable tools:\n- connect: Register a database connection string and get a connection ID\n- disconnect: Close a database connection\n- pg_query: Execute SQL queries using a connection ID\n- pg_explain: Get query execution plans\n\nYou can explore schema resources via:\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\u002F{table}\u002Fcolumns\n\nA comprehensive database description is available at this resource:\npgmcp:\u002F\u002F{conn_id}\u002F\n```\n\n## Architecture\n\nThis server is built on:\n\n- **MCP**: The Model Context Protocol foundation\n- **FastMCP**: Python library for MCP\n- **asyncpg**: Asynchronous PostgreSQL client\n- **YAML**: For extension context information\n\n## Security Considerations\n\n- The server runs in read-only mode by default (enforced via transaction settings)\n- Connection details are never exposed in resource URLs, only opaque connection IDs\n- Database credentials only need to be sent once during the initial connection\n\n## Contributing\n\nContributions are welcome! Areas for expansion:\n\n- Additional PostgreSQL extension context files\n- More schema introspection resources\n- Query optimization suggestions\n","# PostgreSQL 模型上下文协议 (PG-MCP) 服务器\n\n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。\n\n有关 pg-mcp 项目的更多信息，请访问：\n### [https:\u002F\u002Fstuzero.github.io\u002Fpg-mcp\u002F](https:\u002F\u002Fstuzero.github.io\u002Fpg-mcp\u002F)\n\n## 概述\n\nPG-MCP 是 PostgreSQL 数据库的 [模型上下文协议](https:\u002F\u002Fmodelcontextprotocol.io) 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。\n\n该实现基于并扩展了 [参考的 Postgres MCP 实现](https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Ftree\u002Fmain\u002Fsrc\u002Fpostgres)，并引入了几项关键增强：\n\n1. **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\n2. **多数据库支持**：可同时连接多个 PostgreSQL 数据库\n3. **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\n4. **扩展上下文**：提供基于 YAML 的详细 PostgreSQL 扩展知识，如 PostGIS 和 pgvector\n5. **查询解释工具**：包含专门用于分析查询执行计划的工具\n6. **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\n\n## 功能\n\n### 连接管理\n\n- **连接工具**：注册 PostgreSQL 连接字符串并获取安全的连接 ID\n- **断开连接工具**：在使用完毕后显式关闭数据库连接\n- **连接池**：高效的连接池管理\n\n### 查询工具\n\n- **pg_query**：使用连接 ID 执行只读 SQL 查询\n- **pg_explain**：以 JSON 格式分析查询执行计划\n\n### 模式发现资源\n\n- 列出带有描述的模式\n- 列出带有描述和行数的表\n- 获取列的详细信息，包括数据类型和描述\n- 查看表的约束和索引\n- 探索数据库扩展\n\n### 数据访问资源\n\n- 表数据示例（支持分页）\n- 获取近似行数\n\n### 扩展上下文\n\n内置对 PostgreSQL 扩展的上下文信息，例如：\n\n- **PostGIS**：空间数据类型、函数和示例\n- **pgvector**：向量相似性搜索函数及最佳实践\n\n其他扩展可以通过 YAML 配置文件轻松添加。\n\n## 安装\n\n### 先决条件\n\n- Python 3.13+\n- PostgreSQL 数据库\n\n### 使用 Docker\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# 使用 Docker Compose 构建并运行\ndocker-compose up -d\n```\n\n### 手动安装\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# 安装依赖并创建虚拟环境 (.venv)\nuv sync\n\n# 激活虚拟环境\nsource .venv\u002Fbin\u002Factivate  # Windows 系统：.venv\\Scripts\\activate\n\n# 运行服务器\npython -m server.app\n```\n\n## 使用\n\n### 测试服务器\n\n仓库中包含测试脚本，用于验证服务器功能：\n\n```bash\n# 基本服务器功能测试\npython test.py \"postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\"\n\n# Claude 驱动的自然语言到 SQL 转换\npython example-clients\u002Fclaude_cli.py \"给我展示按总销售额排名前 5 的客户\"\n```\n\n`claude_cli.py` 脚本需要设置以下环境变量：\n\n```\n# .env 文件\nDATABASE_URL=postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\nANTHROPIC_API_KEY=your-anthropic-api-key\nPG_MCP_URL=http:\u002F\u002Flocalhost:8000\u002Fsse\n```\n\n\n\n### 供 AI 代理使用\n\n与代理配合使用的示例提示：\n\n```\n请使用 PostgreSQL MCP 服务器来分析数据库。\n可用工具：\n- connect：注册数据库连接字符串并获取连接 ID\n- disconnect：关闭数据库连接\n- pg_query：使用连接 ID 执行 SQL 查询\n- pg_explain：获取查询执行计划\n\n您可以通过以下资源探索模式信息：\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\u002F{table}\u002Fcolumns\n\n完整的数据库描述可在以下资源中找到：\npgmcp:\u002F\u002F{conn_id}\u002F\n```\n\n## 架构\n\n该服务器基于以下技术构建：\n\n- **MCP**：模型上下文协议的基础\n- **FastMCP**：MCP 的 Python 库\n- **asyncpg**：异步 PostgreSQL 客户端\n- **YAML**：用于扩展上下文信息\n\n## 安全考虑\n\n- 服务器默认以只读模式运行（通过事务设置强制执行）\n- 连接详情绝不会出现在资源 URL 中，仅使用不透明的连接 ID\n- 数据库凭据只需在首次连接时发送一次\n\n## 贡献\n\n欢迎贡献！可扩展的方向包括：\n\n- 添加更多 PostgreSQL 扩展的上下文文件\n- 提供更多的模式内省资源\n- 提供查询优化建议","# pg-mcp-server 快速上手指南\n\npg-mcp-server 是一个基于 Model Context Protocol (MCP) 的 PostgreSQL 数据库服务器实现，专为 AI 智能体设计。它支持多数据库连接、丰富的元数据发现（表结构、注释）、查询执行计划分析以及 PostGIS\u002Fpgvector 等扩展的上下文增强。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：Python 3.13 或更高版本\n*   **数据库**：可访问的 PostgreSQL 数据库实例\n*   **包管理工具**：推荐使用 `uv` 进行依赖管理（若未安装，可通过 `pip install uv` 获取）\n\n## 安装步骤\n\n您可以选择使用 Docker 快速部署，或通过手动方式在本地运行。\n\n### 方式一：使用 Docker（推荐）\n\n适合快速验证和生产环境部署。\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# 使用 Docker Compose 构建并启动服务\ndocker-compose up -d\n```\n\n### 方式二：手动安装\n\n适合开发者进行二次开发或调试。\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server.git\ncd pg-mcp-server\n\n# 使用 uv 同步依赖并创建虚拟环境 (.venv)\nuv sync\n\n# 激活虚拟环境\n# Linux\u002FmacOS:\nsource .venv\u002Fbin\u002Factivate\n# Windows:\n.venv\\Scripts\\activate\n\n# 启动服务器\npython -m server.app\n```\n\n> **提示**：国内用户若遇到 `git clone` 或 `uv sync` 下载缓慢，可配置 Git 代理或使用国内 PyPI 镜像源（如清华源）加速依赖安装：\n> `uv pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` (如需手动指定)\n\n## 基本使用\n\n安装完成后，您可以通过内置脚本测试服务器功能，或直接将其集成到 AI 智能体中。\n\n### 1. 功能测试\n\n运行以下命令测试基础连接和查询功能（请替换为您的真实数据库连接字符串）：\n\n```bash\n# 测试基础服务器功能\npython test.py \"postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\"\n```\n\n### 2. 结合 Claude 智能体使用\n\n项目提供了一个示例脚本，演示如何让 Claude 通过自然语言生成 SQL 并查询数据库。\n\n首先，在项目根目录创建 `.env` 文件并配置环境变量：\n\n```bash\n# .env 文件内容\nDATABASE_URL=postgresql:\u002F\u002Fusername:password@hostname:port\u002Fdatabase\nANTHROPIC_API_KEY=your-anthropic-api-key\nPG_MCP_URL=http:\u002F\u002Flocalhost:8000\u002Fsse\n```\n\n然后运行示例客户端：\n\n```bash\n# 使用自然语言查询数据库\npython example-clients\u002Fclaude_cli.py \"Show me the top 5 customers by total sales\"\n```\n\n### 3. AI 智能体集成提示\n\n若在自定义 Agent 中使用，可参考以下 Prompt 引导模型调用工具：\n\n```text\nUse the PostgreSQL MCP server to analyze the database. \nAvailable tools:\n- connect: Register a database connection string and get a connection ID\n- disconnect: Close a database connection\n- pg_query: Execute SQL queries using a connection ID\n- pg_explain: Get query execution plans\n\nYou can explore schema resources via:\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\npgmcp:\u002F\u002F{conn_id}\u002Fschemas\u002F{schema}\u002Ftables\u002F{table}\u002Fcolumns\n\nA comprehensive database description is available at this resource:\npgmcp:\u002F\u002F{conn_id}\u002F\n```\n\n**安全说明**：服务器默认以只读模式运行，连接凭证仅在初始连接时传输，后续交互仅使用不透明的连接 ID，保障数据库安全。","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。\n\n### 没有 pg-mcp-server 时\n- 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。\n- 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。\n- 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。\n- 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。\n\n### 使用 pg-mcp-server 后\n- 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。\n- 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。\n- 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。\n- 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。\n\npg-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstuzero_pg-mcp-server_242e4ee3.png","stuzero","Stuart Pennant","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fstuzero_b0a956cb.png","NYC","https:\u002F\u002Fgithub.com\u002Fstuzero",[78,82,86],{"name":79,"color":80,"percentage":81},"Python","#3572A5",89.4,{"name":83,"color":84,"percentage":85},"Jinja","#a52a22",10.1,{"name":87,"color":88,"percentage":89},"Dockerfile","#384d54",0.6,536,37,"2026-04-06T01:51:13","MIT","Linux, macOS, Windows","未说明",{"notes":97,"python":98,"dependencies":99},"该工具为 PostgreSQL 数据库的 MCP 服务器，主要依赖数据库连接而非本地计算资源。支持通过 Docker Compose 部署或手动安装（需使用 uv 管理虚拟环境）。默认以只读模式运行以确保安全，无需 GPU 加速。","3.13+",[100,101,102],"FastMCP","asyncpg","uv",[14,16,13],"2026-03-27T02:49:30.150509","2026-04-07T06:15:00.682511",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},21013,"如何在 Claude Desktop 中配置 pg-mcp-server？","需要在 `claude_desktop_config.json` 文件中配置 MCP 服务器。如果你使用 Docker，配置示例如下：\n```json\n{\n  \"mcpServers\": {\n    \"postgres\": {\n      \"command\": \"docker\",\n      \"args\": [\n        \"run\",\n        \"-i\",\n        \"--rm\",\n        \"pg-mcp-server-pg-mcp\"\n      ]\n    }\n  }\n}\n```\n注意：Windows 用户可能需要使用 npx 命令，或者参考特定的 Windows 指南（如 gist.github.com\u002Ffeveromo\u002F7a340d7795fca1ccd535a5802b976e1f），因为直接运行 docker 命令在某些环境下可能受限。","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F14",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},21014,"为什么会出现 'Unknown connection ID' 错误？","该问题通常是因为客户端（如 Dify agent）在每条消息后关闭了会话，导致连接被杀死。解决方案是将 `Database` 实例设置为全局单例（global singleton），使其在所有客户端会话中持久存在。\n相关修复提交参考：https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fcommit\u002Fc164ccc163e2f7977e79ff65bb768d4246339391","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F16",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},21015,"安装后提示 'ModuleNotFoundError: No module named mcp' 怎么办？","这通常是因为没有激活 Python 虚拟环境。在安装依赖之前，请确保先激活虚拟环境：\n```bash\nsource .venv\u002Fbin\u002Factivate\n```\n激活后再运行安装命令或测试脚本即可解决模块找不到的问题。","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},21016,"为什么 curl 测试 SSE 端点返回的不是 JSON 格式？","这是正常现象。访问 `http:\u002F\u002Flocalhost:8000\u002Fsse` 只是建立 SSE（Server-Sent Events）连接，返回的内容是事件流（如 `event: endpoint`...），而不是直接的 JSON 响应。MCP 协议通过此连接进行后续通信，Claude 或 Cursor 等客户端会自动处理该协议，无需手动解析此 URL 的返回值为 JSON。","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F21",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},21017,"在 Claude Desktop 中启动时出现 'Request timed out' 或连接超时错误怎么办？","如果日志显示 'Request timed out' 且服务器意外断开，请检查端口冲突。pg-mcp-server 默认运行在 8000 端口。如果你的系统中其他程序（如 Intel Remote Desktop Management Interface - irdmi）占用了 8000 端口，会导致服务器无法启动或连接失败。请使用 `lsof -i :8000` 检查端口占用情况，并关闭冲突进程或更改服务器端口。","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F15",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},21018,"是否有标准的 JSON 配置示例供参考？","是的，以下是一个标准的配置示例，可用于 `claude_desktop_config.json`：\n```json\n{\n  \"mcpServers\": {\n    \"pg-mcp-server\": {\n      \"command\": \"npx\",\n      \"args\": [\n        \"mcp-remote\",\n        \"http:\u002F\u002Flocalhost:8000\u002Fsse\"\n      ]\n    }\n  }\n}\n```\n如果使用 Docker，可以将 command 改为 `docker` 并调整 args 参数来运行容器。","https:\u002F\u002Fgithub.com\u002Fstuzero\u002Fpg-mcp-server\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":116},21019,"Dify MCP 插件是否支持该服务器的 prompts 和 resources 功能？","目前 Dify MCP 插件似乎还没有充分利用服务器端的 prompts 和 resources 功能。用户在使用时需注意这一限制，主要功能可能集中在基础的数据库查询操作上。",[]]