pgmcp
pgmcp 是一款基于模型上下文协议(MCP)的开源服务器,旨在让 AI 助手能够直接用自然语言查询任意 PostgreSQL 数据库。用户只需像日常对话一样提问,例如“哪位客户下单最多?”,pgmcp 即可自动将其转化为安全的 SQL 查询并返回结构化结果,无需编写任何代码。
它主要解决了非技术人员访问数据库门槛高、以及开发者在集成 AI 与数据库时需重复构建安全层的问题。通过 pgmcp,业务人员、数据分析师或产品经理可以直接与数据库对话获取洞察,而开发者则能快速为 Cursor、Claude Desktop 或 VS Code 等工具添加数据库交互能力,大幅降低集成成本。
该工具特别适合希望利用 AI 提升数据查询效率的开发团队、需要灵活获取数据的研究人员,以及不熟悉 SQL 但需频繁查阅数据的业务用户。其核心技术亮点包括:严格的只读访问机制确保数据绝对安全;支持自动流式传输以处理海量数据;内置智能错误恢复与大小写敏感表名支持;兼容各类现有数据库架构,无需修改表结构即可立即使用。此外,它还支持多种输出格式及全文搜索功能,是连接人工智能与企业数据资产的轻量级桥梁。
使用场景
某电商公司的数据分析师需要在晨会前快速从庞大的 PostgreSQL 订单库中提取特定用户行为数据,以支持临时决策。
没有 pgmcp 时
- 分析师必须手动编写复杂的 SQL 语句,反复查阅文档确认表结构和字段名,耗时且容易出错。
- 遇到不熟悉的业务逻辑(如“复购率最高的地区”),需先向开发人员请教 schema 关系,沟通成本高。
- 查询结果若数据量过大,容易导致客户端卡顿或超时,需要人工添加分页逻辑重新执行。
- 无法直接在 Cursor 或 Claude Desktop 等 AI 编程助手环境中获取实时数据,必须切换工具打断工作流。
使用 pgmcp 后
- 分析师直接在 AI 助手对话框输入自然语言“找出上个月复购率最高的三个地区”,pgmcp 自动解析并生成精准 SQL。
- pgmcp 内置智能 Schema 缓存,能理解“客户”与"users"表的关联,无需人工干预即可处理复杂连接查询。
- 面对海量数据,pgmcp 自动启用流式传输和分页机制,瞬间返回结构化表格,彻底告别超时等待。
- 在 Cursor 或 VS Code 中即可无缝调用数据库,数据结果直接嵌入代码上下文,实现“提问即分析”的流畅体验。
pgmcp 将原本繁琐的“查文档 - 写 SQL - 调错”流程简化为自然的对话交互,让非技术人员也能安全、高效地直接挖掘数据库价值。
运行环境要求
- Linux
- macOS
- Windows
不需要 GPU
未说明

快速开始
PGMCP - PostgreSQL 模型上下文协议服务器
PGMCP 通过自然语言查询将 AI 助手连接到 任何 PostgreSQL 数据库。用简单的英语提问,即可获得结构化的 SQL 查询结果,并支持自动流式传输和强大的错误处理机制。
兼容平台:Cursor、Claude Desktop、VS Code 扩展以及任何 MCP 兼容客户端
快速入门
PGMCP 可以连接到 您现有的 PostgreSQL 数据库,并通过自然语言查询使其对 AI 助手开放。
前提条件
- PostgreSQL 数据库(包含您模式的现有数据库)
- OpenAI API 密钥(可选,用于 AI 驱动的 SQL 生成)
基本使用方法
# 设置环境变量
export DATABASE_URL="postgres://user:password@localhost:5432/your-existing-db"
export OPENAI_API_KEY="your-api-key" # 可选
# 运行服务器(使用预编译的二进制文件)
./pgmcp-server
# 在另一个终端中使用客户端进行测试
./pgmcp-client -ask "What tables do I have?" -format table
./pgmcp-client -ask "Who is the customer that has placed the most orders?" -format table
./pgmcp-client -search "john" -format table
其工作流程如下:
👤 用户 / AI 助手
│
│ “谁是顶级客户?”
▼
┌─────────────────────────────────────────────────────────────┐
│ 任意 MCP 客户端 │
│ │
│ PGMCP CLI │ Cursor │ Claude Desktop │ VS Code │ ... │
│ JSON/CSV │ 聊天 │ AI 助手 │ 编辑器 │ │
└─────────────────────────────────────────────────────────────┘
│
│ 流式 HTTP / MCP 协议
▼
┌─────────────────────────────────────────────────────────────┐
│ PGMCP 服务器 │
│ │
│ 🔒 安全 🧠 AI 引擎 🌊 流式传输 │
│ • 输入验证 • 模式缓存 • 自动分页 │
│ • 审计日志 • OpenAI API • 内存管理 │
│ • SQL 防护 • 错误恢复 • 连接池 │
└─────────────────────────────────────────────────────────────┘
│
│ 只读 SQL 查询
▼
┌─────────────────────────────────────────────────────────────┐
│ 您的 PostgreSQL 数据库 │
│ │
│ 任意模式:电商、分析、CRM 等 │
│ 表 • 视图 • 索引 • 函数 │
└─────────────────────────────────────────────────────────────┘
外部 AI 服务:
OpenAI API • Anthropic • 本地 LLM(Ollama 等)
主要优势:
✅ 适用于任何 PostgreSQL 数据库(无需假设模式)
✅ 无需修改模式
✅ 只读访问(100% 安全)
✅ 自动流式传输大型结果
✅ 智能查询理解(单数与复数区分)
✅ 强大的错误处理机制(优雅的 AI 故障恢复)
✅ 支持 PostgreSQL 的大小写敏感性(混合大小写表名)
✅ 生产级安全性和性能
✅ 通用数据库兼容性
✅ 多种输出格式(表格、JSON、CSV)
✅ 全文搜索功能,可跨所有列
✅ 支持身份验证
✅ 全面的测试套件
功能特性
- 自然语言转 SQL:用简单英语提问
- 自动流式传输:自动处理大型结果集
- 安全只读访问:防止任何写操作
- 全文搜索:可在所有文本列中搜索
- 多种输出格式:表格、JSON 和 CSV
- PostgreSQL 大小写敏感性:正确处理混合大小写表名
- 通用兼容性:适用于任何 PostgreSQL 数据库
环境变量
必填:
DATABASE_URL:指向您现有数据库的 PostgreSQL 连接字符串
可选:
OPENAI_API_KEY:用于 AI 驱动的 SQL 生成的 OpenAI API 密钥OPENAI_MODEL:使用的模型(默认为“gpt-4o-mini”)HTTP_ADDR:服务器地址(默认为“:8080”)HTTP_PATH:MCP 端点路径(默认为“/mcp”)AUTH_BEARER:用于身份验证的 Bearer 令牌
安装
下载预编译二进制文件
- 访问 GitHub 发布页面
- 下载适合您平台的二进制文件(Linux、macOS、Windows)
- 解压并运行:
# macOS/Linux 示例
tar xzf pgmcp_*.tar.gz
cd pgmcp_*
./pgmcp-server
其他安装方式
# Homebrew(macOS/Linux) - 第一次发布后可用
brew tap subnetmarco/homebrew-tap
brew install pgmcp
# 从源码构建
go build -o pgmcp-server ./server
go build -o pgmcp-client ./client
Docker/Kubernetes
# Docker
docker run -e DATABASE_URL="postgres://user:pass@host:5432/db" \
-p 8080:8080 ghcr.io/subnetmarco/pgmcp:latest
# Kubernetes(完整清单请参见 examples/ 目录)
kubectl create secret generic pgmcp-secret \
--from-literal=database-url="postgres://user:pass@host:5432/db"
kubectl apply -f examples/k8s/
快速开始
# 设置数据库(可选 - 适用于任何现有 PostgreSQL 数据库)
export DATABASE_URL="postgres://user:password@localhost:5432/mydb"
psql $DATABASE_URL < schema.sql
# 运行服务器
export OPENAI_API_KEY="your-api-key"
./pgmcp-server
# 使用客户端测试
./pgmcp-client -ask "Who is the user that places the most orders?" -format table
./pgmcp-client -ask "Show me the top 40 most reviewed items in the marketplace" -format table
环境变量
必填:
DATABASE_URL:PostgreSQL 连接字符串
可选:
OPENAI_API_KEY:用于 SQL 生成的 OpenAI API 密钥OPENAI_MODEL:使用的模型(默认为“gpt-4o-mini”)HTTP_ADDR:服务器地址(默认为“:8080”)HTTP_PATH:MCP 端点路径(默认为“/mcp”)AUTH_BEARER:用于身份验证的 Bearer 令牌
使用示例
# 用自然语言提问
./pgmcp-client -ask "What are the top 5 customers?" -format table
./pgmcp-client -ask "How many orders were placed today?" -format json
# 在所有文本字段中搜索
./pgmcp-client -search "john" -format table
# 一次性执行多个查询
./pgmcp-client -ask "Show tables" -ask "Count users" -format table
# 不同的输出格式
./pgmcp-client -ask "Export all data" -format csv -max-rows 1000
示例数据库
该项目包含两个模式:
schema.sql:完整的类亚马逊式电商平台,包含 5,000 多条记录schema_minimal.sql:最小化的测试模式,其中Categories表名采用大小写混合形式
主要特性:
- 大小写混合的表名(如
"Categories"),用于测试大小写敏感性 - 复合主键(如
order_items),用于检验 AI 的假设 - 真实的表间关系和数据类型
使用您自己的数据库:
export DATABASE_URL="postgres://user:pass@host:5432/your_db"
./pgmcp-server
./pgmcp-client -ask "What tables do I have?"
AI 错误处理
当 AI 生成错误的 SQL 语句时,PGMCP 会以优雅的方式进行处理:
{
"error": "生成的查询中未找到列",
"suggestion": "请尝试重新表述问题,或询问特定的表",
"original_sql": "SELECT non_existent_column FROM table..."
}
系统不会崩溃,而是提供有用的反馈并继续运行。
MCP 集成
Cursor 集成
# 启动服务器
export DATABASE_URL="postgres://user:pass@localhost:5432/your_db"
./pgmcp-server
在 Cursor 设置中添加:
{
"mcp.servers": {
"pgmcp": {
"transport": {
"type": "http",
"url": "http://localhost:8080/mcp"
}
}
}
}
Claude Desktop 集成
编辑 ~/.config/claude-desktop/claude_desktop_config.json:
{
"mcpServers": {
"pgmcp": {
"transport": {
"type": "http",
"url": "http://localhost:8080/mcp"
}
}
}
}
API 工具
ask:自然语言问题 → 自动流式传输的 SQL 查询search:跨所有数据库文本列的自由文本搜索stream:针对超大数据集的高级流式传输,并支持分页
安全特性
- 只读强制执行:阻止写操作(INSERT、UPDATE、DELETE 等)
- 查询超时:防止长时间运行的查询
- 输入验证:对所有用户输入进行清理和验证
- 事务隔离:所有查询均在只读事务中执行
测试
# 单元测试
go test ./server -v
# 集成测试(需要 PostgreSQL)
go test ./server -tags=integration -v
许可证
Apache 2.0 - 详情请参阅 LICENSE 文件。
相关项目
- 模型上下文协议 - 底层协议规范
- MCP Go SDK - MCP 的 Go 实现
PGMCP 通过自然语言使您的 PostgreSQL 数据库能够被 AI 助手访问,同时通过只读访问控制确保安全性。
版本历史
v0.3.02025/09/25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。
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
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。
