Документация Большая картина

Открытый сервер Model Context Protocol (MCP), который соединяет агенты ИИ с облачными данными: он основывает агент в метаданных STAC, поэтому он находит правильный набор данных и считывает свою схему, и ограничивает его проверенными облачными движками, поэтому он запрашивает данные терабайтного масштаба по S3 без загрузки, неправильного прочтения или тихого отказа в масштабе. Сегодня он обслуживает SQL over Parquet через DuckDB с пространственной индексацией H3; см. дорожную карту для массива (Zarr) и аппаратно-ускоренных двигателей.

Это один из трех компонентов с открытым исходным кодом — с рабочими процессами данных (которые производят данные и метаданные, готовые к ИИ) и геоагентом, которые вместе делают облачный стек доступным для исследователей ИИ. Работает локально для конфиденциальных данных или на автомасштабировании Kubernetes для масштаба.

Быстрый старт

Добавьте размещенную конечную точку MCP в свой LLM-клиент, например:

Использование VSCode

Создайте [[Т0]], как это: (как в этом РЕПО)

Теперь просто задайте клиенту чата вопрос о наборах данных, и он должен ответить, запросив базу данных в SQL:

Примеры:

Какая часть Австралии является охраняемой территорией?

Использование кода Клода (CLI)

MCP Data Server

Documentation · The bigger picture

An open Model Context Protocol (MCP) server that connects AI agents to cloud-native data: it grounds the agent in STAC metadata so it finds the right dataset and reads its schema, and confines it to validated cloud-native engines so it queries terabyte-scale data over S3 without downloading it, misreading it, or silently failing at scale. Today it serves SQL over Parquet via DuckDB with H3 spatial indexing; see the roadmap for array (Zarr) and hardware-accelerated engines.

It is one of three open-source components — with data-workflows (which produces the AI-ready data and metadata) and jupyter-geoagent — that together make the cloud-native stack reachable by the AI tools researchers already use. Runs locally for sensitive data or on autoscaling Kubernetes for scale.

Quick Start

Add the hosted MCP endpoint to your LLM client, like so:

Using VSCode

create a .vscode/mcp.json like this: (as in this repo)

{
	"servers": {
		"duckdb-geo": {
			"url": "https://duckdb-mcp.nrp-nautilus.io/mcp"
		}
	}
}

Now simply ask your chat client a question about the datasets and it should answer by querying the database in SQL:

Examples:

• What fraction of Australia is protected area?

Using Claude Code (CLI)

Run this command once in your terminal:

claude mcp add --transport http duckdb-geo https://duckdb-mcp.nrp-nautilus.io/mcp

To make it available across all your projects, add --scope user:

claude mcp add --transport http --scope user duckdb-geo https://duckdb-mcp.nrp-nautilus.io/mcp

Using Claude Desktop

Add to your Claude Desktop configuration file:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json
Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "duckdb-geo": {
      "url": "https://duckdb-mcp.nrp-nautilus.io/mcp"
    }
  }
}

After adding the configuration, restart Claude Desktop.

Features

• Zero-Configuration SQL Access: Query petabytes of geospatial data without database setup
• H3 Geospatial Indexing: Efficient spatial operations using Uber’s H3 hexagonal grid system
• Isolated Execution: Each query runs in a fresh DuckDB instance for security
• Stateless HTTP Mode: Fully horizontally scalable for cloud deployment
• Rich Dataset Catalog: Access to 10+ curated environmental and biodiversity datasets