Сервер Model Context Protocol (MCP) для баз данных PostgreSQL с расширенными возможностями для AI-агентов.

Больше информации о проекте pg-mcp здесь:

https://stuzero.github.io/pg-mcp/

Обзор

PG-MCP — это серверная реализация протокола Model Context Protocol для баз данных PostgreSQL. Он предоставляет комплексный API для агентов ИИ, чтобы они могли находить их, подключаться, запрашивать и понимать базы данных PostgreSQL через ресурсно-ориентированную архитектуру MCP.

Эта реализация расширяет и расширяет эталонную реализацию Postgres MCP несколькими ключевыми улучшениями:

1. Полная реализация сервера: Построен как полноценный сервер с SSE-транспортом для производственного использования
2. Поддержка нескольких баз данных: Одновременное подключение к нескольким базам данных PostgreSQL
3. Богатая информация о каталоге: извлекает и отображает описания таблиц и столбцов из каталога базы данных
4. Контекст расширения: Предоставляет подробные знания на базе YAML о расширениях PostgreSQL, таких как PostGIS и pgvector
5. Объяснение запроса: включает специализированный инструмент для анализа планов выполнения запросов
6. Надёжное управление соединениями: Правильный жизненный цикл для подключений к базе данных с безопасной обработкой идентификаторов соединений

Особенности

PostgreSQL Model Context Protocol (PG-MCP) Server

A Model Context Protocol (MCP) server for PostgreSQL databases with enhanced capabilities for AI agents.

More info on the pg-mcp project here:

https://stuzero.github.io/pg-mcp/

Overview

PG-MCP is a server implementation of the Model Context Protocol 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.

This implementation builds upon and extends the reference Postgres MCP implementation with several key enhancements:

1. Full Server Implementation: Built as a complete server with SSE transport for production use
2. Multi-database Support: Connect to multiple PostgreSQL databases simultaneously
3. Rich Catalog Information: Extracts and exposes table/column descriptions from the database catalog
4. Extension Context: Provides detailed YAML-based knowledge about PostgreSQL extensions like PostGIS and pgvector
5. Query Explanation: Includes a dedicated tool for analyzing query execution plans
6. Robust Connection Management: Proper lifecycle for database connections with secure connection ID handling

Features

Connection Management

• Connect Tool: Register PostgreSQL connection strings and get a secure connection ID
• Disconnect Tool: Explicitly close database connections when done
• Connection Pooling: Efficient connection management with pooling

Query Tools

• pg_query: Execute read-only SQL queries using a connection ID
• pg_explain: Analyze query execution plans in JSON format

Schema Discovery Resources

• List schemas with descriptions
• List tables with descriptions and row counts
• Get column details with data types and descriptions
• View table constraints and indexes
• Explore database extensions

Data Access Resources

• Sample table data (with pagination)
• Get approximate row counts

Extension Context

Built-in contextual information for PostgreSQL extensions like:

• PostGIS: Spatial data types, functions, and examples
• pgvector: Vector similarity search functions and best practices

Additional extensions can be easily added via YAML config files.

Installation

Prerequisites

• Python 3.13+
• PostgreSQL database(s)

Using Docker

# Clone the repository
git clone https://github.com/stuzero/pg-mcp-server.git
cd pg-mcp-server

# Build and run with Docker Compose
docker-compose up -d

Manual Installation

# Clone the repository
git clone https://github.com/stuzero/pg-mcp-server.git
cd pg-mcp-server

# Install dependencies and create a virtual environment ( .venv )
uv sync

# Activate the virtual environment
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Run the server