Skip to main content
Glama
Sign In
DataSearcher MCP

DataSearcher MCP

by MarkIvor
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

DataSearcher MCP

Python MCP DuckDB License Language

Подключи базу данных к Claude или Cursor — и спрашивай на русском: «какие товары продаются хуже всего», «найди аномалии в продажах», «прогноз на 3 месяца». 46 инструментов: SQL, статистика, ML, графики, дашборды + enterprise: read-only guard, PII masking, аудит-логи, Knowledge Base, dbt, DataHub, semantic search.

Что это такое?

DataSearcher MCP — это мост между вашей базой данных и ИИ-ассистентом (Claude Desktop, Cursor, VS Code).

Обычно, чтобы проанализировать данные из БД, нужно писать SQL-запросы вручную или открывать BI-систему. С этим MCP-сервером вы просто разговариваете с ИИ на обычном русском языке, а он сам:

  • пишет и выполняет SQL к вашей базе (read-only, с защитой от изменений)

  • строит графики и дашборды

  • находит аномалии, корреляции, инсайты

  • прогнозирует тренды (ML)

  • генерирует HTML-отчёты и XLSX-экспорты

  • маскирует PII (email, телефон, ИНН) в результатах

  • логирует все запросы для аудита

Пример диалога

Вы: Подключись к моей PostgreSQL и покажи топ-5 регионов по выручке

ИИ: [вызывает sql_query → SQL выполняется прямо в вашей PostgreSQL]
    Вот топ-5 регионов по выручке:
    | Регион       | Выручка     | Заказов |
    |--------------|-------------|---------|
    | Москва       | 1 358 468 ₽ | 55      |
    | Новосибирск  | 1 036 564 ₽ | 45      |
    ...

Вы: Найди аномалии в суммах заказов

ИИ: [вызывает detect_anomalies → z-score + IQR]
    Обнаружено 3 выброса в колонке amount:
    - Заказ #1047: 49 870 ₽ (z-score = 4.2)
    - Заказ #2891: 48 200 ₽ (z-score = 3.8)
    ...

Вы: Построй дашборд и сохрани как HTML

ИИ: [вызывает create_public_dashboard → генерирует HTML с графиками и фильтрами]
    Дашборд создан! Откройте файл:
    /tmp/datasearcher_mcp_dashboards/abc123/dashboard.html

Почему это круто?

Без DataSearcher MCP

С DataSearcher MCP

Пишешь SQL вручную

ИИ сам пишет и выполняет SQL

Открываешь BI-систему для графиков

Графики и дашборды прямо в чате

Excel для сводных таблиц

pivot_table одним вызовом

Python + Jupyter для ML

Прогнозы и кластеризация через чат

Каждая БД — свой диалект SQL

Пишешь на DuckDB SQL — сервер переводит

Нет защиты от случайного DROP

Read-only guard блокирует DML/DDL

PII в открытом виде

Авто-маскирование email/телефон/ИНН

Нет аудита кто что запросил

Полный лог запросов и ошибок

Related MCP server: GraphJin

Чем отличается от других MCP-серверов?

1. SQL выполняется в вашей базе, а не во встроенной

Когда вы спрашиваете «покажи продажи по регионам», SQL выполняется напрямую в вашей PostgreSQL/MySQL/ClickHouse — с индексами, оптимизатором, кешем. DuckDB подключается только для ML-задач (кластеризация, прогнозы), выгружая только нужные колонки.

2. Пишешь на одном SQL — работает в любой БД

Написали DATE_TRUNC('month', date_col) (DuckDB-синтаксис)? Сервер автоматически переведёт под диалект source DB через sqlglot.

3. Кросс-БД JOIN через federated-режим

Прицепите PostgreSQL и MySQL к DuckDB одновременно и сделайте JOIN между ними — без выгрузки данных.

4. Enterprise-безопасность

  • Read-only guard — блокирует INSERT/UPDATE/DELETE/DROP/TRUNCATE

  • PII auto-detection + masking — автоматически находит email, телефон, ИНН, СНИЛС, паспорт и маскирует в результатах

  • Schema ACL — фильтрация raw/staging таблиц, allowed_schemas/blocked_tables

  • Rate limiting — ограничение SQL/ML запросов в минуту

  • HTTP Bearer auth — для удалённого доступа

  • Query timeout — защита от тяжёлых запросов

5. Knowledge Base + метаданные

SQLite-хранилище бизнес-описаний: что значит каждая таблица и колонка, кто владелец данных, какие метрики как считаются. Наполняется из:

  1. Схемы БД (автоматически)

  2. dbt manifest (описания, тесты, теги)

  3. DataHub (lineage, глоссарий)

  4. Ручной правки через update_metadata

6. Семантический поиск + Example Store

  • semantic_search — поиск по текстовым данным через LLM embeddings

  • Example Store — база пар «NL-запрос → SQL» для few-shot обучения

  • search_knowledge — поиск по метаданным и примерам

7. REST API как источник данных

Подключайте не только БД, но и REST API — данные выгружаются в DuckDB и доступны всем 46 инструментам анализа.

8. BI link builder

Генерация URL для Superset, Grafana, Yandex Datalens, Tableau, Power BI с предзаполненными фильтрами.

Быстрый старт

Шаг 1. Установка

git clone https://github.com/MarkIvor/mcp-datasearcher.git
cd mcp-datasearcher
pip install -e ".[all]"

Шаг 2. Настройка подключений

cp connections.example.yaml connections.yaml
connections:
  - name: my_db
    db_type: postgresql          # postgresql | mysql | clickhouse | sqlite | api
    host: localhost
    port: 5432
    database: mydb
    username: ${DB_USER}
    password: ${DB_PASSWORD}
    mode: auto                   # auto | remote | dump | federated
    # ── Семантический слой ──
    allowed_schemas: [mart, analytics]
    blocked_tables: [raw_*, stg_*, tmp_*]

  # REST API тоже можно:
  - name: crm_api
    db_type: api
    base_url: https://api.company.com/v1
    auth_header: "Authorization: Bearer ${CRM_TOKEN}"
    endpoints:
      - path: /customers
        table_name: customers
    mode: dump

# dbt (опционально):
# dbt:
#   manifest_path: ./target/manifest.json

# DataHub (опционально):
# datahub:
#   server_url: http://datahub.company.com:8080
#   token: ${DATAHUB_TOKEN}

Шаг 3. Подключение к Claude Desktop

{
  "mcpServers": {
    "datasearcher": {
      "command": "datasearcher-mcp",
      "args": ["--config", "/path/to/connections.yaml"]
    }
  }
}

Cursor (.cursor/mcp.json):

{"mcpServers": {"datasearcher": {"command": "datasearcher-mcp", "args": ["--config", "/path/to/connections.yaml"]}}}

Docker:

cp connections.example.yaml connections.yaml
docker compose up -d    # → http://localhost:8000/mcp

HTTP:

datasearcher-mcp --transport http --host 0.0.0.0 --port 8000 --auth-token secret123

46 инструментов

SQL и подключения

Инструмент

Что делает

sql_query

SQL-запрос (read-only, markdown/json/csv, авто-трансляция диалектов)

query_explain

План выполнения SQL (EXPLAIN)

get_schema

Структура таблицы (remote или DuckDB)

attach_database

Подключить новую БД в рантайме

refresh_schema

Обновить схему после изменений в БД

test_connection

Проверить доступность подключения

load_file

Загрузить CSV/Excel/Parquet

Аналитика данных

Инструмент

Что делает

smart_summary

Умное саммари таблицы

profile_data

Статистика по колонкам

data_quality_report

Аудит качества (пропуски, дубликаты)

auto_insights

Топ-5 инсайтов автоматически

sample_data

Выборка строк

find_duplicates

Дубликаты (точные и fuzzy)

detect_anomalies

Выбросы (z-score, IQR)

detect_patterns

Паттерны в тексте (email, ИНН, телефон)

sql_query

SQL с форматами markdown/json/csv

Статистика и связи

Инструмент

Что делает

correlation_analysis

Корреляции (Пирсон/Спирмен)

distribution_analysis

Форма распределения

cross_tab

Кросс-табуляция + Хи-квадрат

pivot_table

Сводная таблица (Excel PIVOT)

statistical_test

t-тест, Mann-Whitney, KS, Хи-квадрат

segment_data

Сегментация, RFM-анализ

compare_tables

Сравнение двух таблиц

time_analysis

Тренды, сезонность, скользящее среднее

ML и прогнозы

Инструмент

Что делает

predict_trend

Прогноз тренда (регрессия)

cluster_analysis

Кластеризация K-Means/DBSCAN

feature_importance

Важность признаков (Random Forest)

classify_rows

Классификация строк через LLM

semantic_search

Семантический поиск через embeddings

generate_sql

Генерация SQL из описания на русском

Визуализация и отчёты

Инструмент

Что делает

visualize_data

График → PNG + JSON

build_dashboard

Дашборд 4-6 графиков

create_public_dashboard

Standalone HTML с фильтрами

data_story

Нарратив с графиками

export_data

Экспорт в CSV

export_xlsx

Экспорт в XLSX с форматированием

build_bi_link

URL для Superset/Grafana/Datalens

Управление данными

Инструмент

Что делает

transform_data

Нормализация, one-hot, извлечение дат

merge_tables

JOIN (с авто-определением ключей по FK)

update_metadata

Обновить метаописание в Knowledge Base

list_metrics

Список расчётных метрик с формулами

scan_pii

Скан PII в таблице

get_logs

Логи запросов/ошибок/аудита

add_example

Добавить эталон «NL→SQL» в Example Store

search_knowledge

Поиск по базе знаний и примерам

load_dbt

Импорт метаданных из dbt manifest

sync_datahub

Синхронизация с DataHub

Ресурсы (5)

  • schema://tables — таблицы с типами, бизнес-описаниями, PII-метками

  • schema://diagram — Mermaid ER-диаграмма

  • knowledge://tables — метаданные, владельцы, метрики

  • connection://list — подключения и режимы

  • reasoning://last — Chain of Thought (история запросов)

Промпты (2)

  • analyze_table — системный промпт аналитика

  • weekly_report — шаблон еженедельного отчёта

Enterprise-фичи

Read-only guard

Все SQL-запросы проверяются: INSERT/UPDATE/DELETE/DROP/TRUNCATE/ALTER — заблокированы. Разрешены только SELECT/WITH/EXPLAIN/SHOW/DESCRIBE.

# Настройка
DATASEARCHER_MCP_READ_ONLY=true   # false = отключить guard

PII auto-detection + masking

При загрузке схемы сервер сканирует текстовые колонки и автоматически определяет: email, телефон (РФ), ИНН, СНИЛС, паспорт, банковскую карту, IP-адрес.

В результатах SQL-запросов PII маскируется: a***@company.com, +7(912)***-**-89, 7710******.

DATASEARCHER_MCP_PII_MASKING=true

Knowledge Base (SQLite)

Бизнес-метаданные в SQLite: описания таблиц, колонок, владельцы, теги, расчётные метрики. Наполняется из 4 источников (fallback-цепочка):

  1. Схема БД — автоматически (DESCRIBE, information_schema, FK)

  2. dbt manifest — load_dbt инструмент (описания, тесты, теги, слои)

  3. DataHub — sync_datahub инструмент (lineage, глоссарий, владельцы)

  4. Ручная правка — update_metadata инструмент

Логирование и аудит

Каждый SQL-запрос, ML-вызов, ошибка — логируется в SQLite (append-only):

  • query_log: timestamp, tool, SQL, таблица, длительность, статус

  • error_log: тип ошибки, сообщение, SQL, stack trace

  • audit_log: действия (attach, refresh, load_file, update_metadata)

DATASEARCHER_MCP_LOG_ENABLED=true

Rate limiting

Per-tool throttling: SQL — 60/мин, ML — 10/мин (настраивается).

Schema ACL

Фильтрация таблиц по бизнес-слою:

allowed_schemas: [mart, analytics]    # только эти схемы
blocked_tables: [raw_*, stg_*, tmp_*]  # glob-паттерны исключений

REST API connector

Подключение данных из REST API как обычных таблиц:

- name: crm_api
  db_type: api
  base_url: https://api.company.com/v1
  auth_header: "Authorization: Bearer ${CRM_TOKEN}"
  endpoints:
    - path: /customers
      table_name: customers
  pagination: offset    # offset | cursor | none
  mode: dump            # выгрузить в DuckDB

Режимы работы подключений

Режим

Как работает

Когда использовать

auto (по умолч.)

SQL → source DB, ML → DuckDB (лениво)

Универсальный

remote

Всё SQL в source DB, без DuckDB

БД быстрая, ML не нужен

dump

Таблицы выгружаются в DuckDB при старте

Файлы, маленькие БД

federated

Source DB прицепляется к DuckDB

Кросс-БД JOIN

Поддерживаемые БД

БД

db_type

Remote SQL

Federated

PostgreSQL

postgresql

✅

✅

MySQL / MariaDB

mysql

✅

✅

ClickHouse

clickhouse

✅

—

SQLite

sqlite

✅

✅

REST API

api

—

—

CSV

файл

—

—

Excel (.xlsx)

файл

—

—

Parquet

файл

—

—

LLM для классификации и поиска

llm_mode

Как работает

Когда использовать

builtin

LLM-клиент (LLM_BASE_URL/LLM_MODEL)

Ollama, vLLM, OpenAI

sampling

Модель хоста через MCP sampling

Claude Desktop

none

Инструкция для хоста

Без LLM

Работает на бюджетных LLM — достаточно 7B-14B.

Переменные окружения

Префикс DATASEARCHER_MCP_:

Переменная

По умолчанию

Описание

DATASEARCHER_MCP_CONNECTIONS_FILE

connections.yaml

Файл подключений

DATASEARCHER_MCP_READ_ONLY

true

Read-only guard (блок DML/DDL)

DATASEARCHER_MCP_PII_MASKING

true

Авто-маскирование PII

DATASEARCHER_MCP_LOG_ENABLED

true

Логирование запросов/ошибок

DATASEARCHER_MCP_RATE_LIMIT_ENABLED

true

Rate limiting

DATASEARCHER_MCP_RATE_LIMIT_SQL

60

SQL-запросов в минуту

DATASEARCHER_MCP_RATE_LIMIT_ML

10

ML-запросов в минуту

DATASEARCHER_MCP_QUERY_TIMEOUT

60

Таймаут SQL (сек)

DATASEARCHER_MCP_AUTO_TRANSLATE

true

Трансляция SQL между диалектами

DATASEARCHER_MCP_AUTH_TOKEN

``

Bearer token для HTTP auth

DATASEARCHER_MCP_DUCKDB_ENABLED

false

DuckDB при старте

DATASEARCHER_MCP_DEFAULT_MODE

auto

Режим по умолчанию

DATASEARCHER_MCP_EXAMPLE_STORE_ENABLED

true

Example Store (few-shot)

LLM_BASE_URL

—

URL LLM API (OpenAI-compatible)

LLM_MODEL

—

Модель LLM

Архитектура

datasearcher-mcp/
  src/datasearcher_mcp/
    __main__.py             # CLI: --transport, --config, --auth-token
    config.py               # 30+ настроек (pydantic-settings)
    engine.py               # движок: remote/dump/auto/federated, ACL, KB, PII
    server.py               # FastMCP: 46 tools + 5 resources + 2 prompts
    session.py              # DuckDB-сессия (ленивая)
    sql_guard.py            # read-only enforcement (блок DML/DDL)
    error_handler.py        # человекочитаемые SQL-ошибки
    logging_db.py           # SQLite append-only логи (query/error/audit)
    pii_detector.py         # авто-детекция + маскирование PII
    rate_limiter.py         # per-tool throttling
    knowledge_base.py       # SQLite KB (описания, владельцы, метрики)
    dbt_loader.py           # парсинг dbt manifest.json
    datahub_client.py       # DataHub GraphQL клиент
    example_store.py        # NL→SQL пары + semantic search
    bi_linker.py            # URL builder для BI-инструментов
    llm_client.py           # LLM-клиент (OpenAI-compatible)
    embeddings.py           # semantic search через embeddings
    connectors/
      base.py, sqlalchemy_base.py
      postgres.py, mysql.py, clickhouse.py, sqlite_conn.py
      api.py                # REST API коннектор
    tools/                  # 30 аналитических инструментов
    render/                 # matplotlib PNG + парсинг маркеров
    prompts/                # системный промпт аналитика

Ключевые решения

Решение

Почему так

DuckDB выключен по умолчанию

Source DB умнее (индексы, оптимизатор)

sqlglot для трансляции SQL

Один SQL — работает в любой БД

Federated через DuckDB extensions

Кросс-БД JOIN без ETL

Read-only guard

Защита production-данных от случайных изменений

PII auto-detection

Compliance без ручной разметки

SQLite для KB и логов

Zero-dependency, embedded, не требует сервера

Example Store

Few-shot обучение из прошлых запросов

Технологии

Слой

Технология

MCP

mcp[cli] 1.28 (FastMCP, stdio/SSE/HTTP)

SQL

Source DB (push-down) или DuckDB (lazy/federated)

Трансляция SQL

sqlglot

ML

scikit-learn, scipy, numpy

Графики

matplotlib (PNG)

KB / логи

SQLite (embedded)

Embeddings

OpenAI-compatible /v1/embeddings

Драйверы БД

psycopg2, pymysql, clickhouse-connect, aiosqlite

Файлы

CSV/Parquet (DuckDB), Excel (openpyxl)

Дашборды

HTML + DuckDB-WASM + Chart.js

Auth

Bearer token (Starlette)

Лицензия

MIT

Available Tools

46 tools
add_exampleA

Добавить эталонный пример «NL-запрос → SQL» в Example Store (ТЗ 1.3). Используется для few-shot обучения generate_sql.

Inputs: sql (required), query (required), is_golden, table_name. Returns: result

attach_databaseA

Подключить новую БД в рантайме без перезапуска сервера. (фича B) Поддерживаемые db_type: postgresql, mysql, clickhouse, sqlite. mode: remote (push-down SQL), dump (выгрузка в DuckDB), auto (по умолчанию).

Inputs: name (required), db_type (required), host, mode, +4 more. Returns: result

auto_insightsD

Авто-инсайты: топ-5 находок с графиками одним вызовом.

Inputs: table_name (required), focus. Returns: result

build_bi_linkC

Сгенерировать URL для внешнего BI-инструмента с предзаполненными фильтрами (ТЗ 3.4). params: JSON {"region": "Москва", "product": "Widget A"} time_from/time_to: для Grafana (например '2024-01-01', '2024-02-01')

Inputs: tool (required), base_url (required), params, time_to, +2 more. Returns: result

build_dashboardD

Набор из 4-6 ключевых графиков одним вызовом.

Inputs: table_name (required), focus. Returns: result

classify_rowsC

Классификация строк по категориям с помощью LLM.

Inputs: columns (required), categories (required), table_name (required), limit, +2 more. Returns: result

cluster_analysisC

Кластеризация K-Means/DBSCAN с auto-выбором k (elbow).

Inputs: columns (required), table_name (required), method, n_clusters, +2 more. Returns: result

compare_tablesC

Сравнение двух таблиц: общие/уникальные строки, расхождения.

Inputs: table_a (required), table_b (required), key_columns (required), mode, +1 more. Returns: result

correlation_analysisC

Корреляционный анализ (Пирсон/Спирмен).

Inputs: table_name (required), method, columns, min_strength. Returns: result

create_public_dashboardB

Создаёт дашборд — standalone HTML с интерактивными фильтрами.

Inputs: title (required), description. Returns: result

cross_tabB

Кросс-табуляция двух категорий: частоты, проценты, Хи-квадрат.

Inputs: col_column (required), row_column (required), table_name (required), agg_function, +2 more. Returns: result

data_quality_reportB

Комплексный отчёт о качестве: полнота, дубликаты, консистентность.

Inputs: table_name (required), key_columns. Returns: result

data_storyC

Data Story: нарратив с графиками — связный рассказ о данных.

Inputs: table_name (required), theme. Returns: result

detect_anomaliesC

Обнаружение выбросов z-score и/или IQR.

Inputs: table_name (required), method, columns, threshold. Returns: result

detect_patternsC

Распознавание паттернов в тексте: email, телефон, URL, ИНН, даты.

Inputs: table_name (required), columns. Returns: result

distribution_analysisC

Анализ распределения: гистограмма, skewness, kurtosis.

Inputs: table_name (required), bins, columns. Returns: result

export_dataC

Экспорт данных в CSV-файл.

Inputs: table_name (required), sql, columns, filename. Returns: result

export_xlsxC

Экспорт данных в XLSX-файл с форматированием (ТЗ 3.3). Заголовки жирным, freeze panes, автоширина, автофильтр, NULL → серый фон.

Inputs: table_name (required), sql, columns, filename. Returns: result

feature_importanceC

Важность признаков (Random Forest + permutation).

Inputs: table_name (required), target_column (required), method, sample_size, +1 more. Returns: result

find_duplicatesC

Поиск дубликатов: точные или fuzzy (Levenshtein).

Inputs: table_name (required), mode, columns, fuzzy_threshold. Returns: result

generate_sqlC

Генерация DuckDB SQL из описания на естественном языке (требует LLM).

Inputs: table_name (required), description (required), execute. Returns: result

get_logsB

Получить логи запросов/ошибок/аудита (ТЗ 9).

Inputs: limit, log_type. Returns: result

get_schemaB

Структура таблицы: колонки, типы, число строк, превью.

Inputs: table_name (required). Returns: result

list_metricsA

Список расчётных метрик с формулами из Knowledge Base (ТЗ 1.1).

Inputs: no named parameters. Returns: result

load_dbtC

Загрузить метаданные из dbt manifest.json в Knowledge Base (ТЗ 1.2).

Inputs: manifest_path. Returns: result

load_fileB

Загрузка CSV/Excel/Parquet файла в DuckDB для анализа. Excel: если sheet не указан, грузит все листы. Parquet загружается через DuckDB read_parquet.

Inputs: path (required), sheet, table_name. Returns: result

merge_tablesC

Умный JOIN двух таблиц с авто-детекцией ключей.

Inputs: table_a (required), table_b (required), join_type, key_columns, +1 more. Returns: result

pivot_tableD

Сводная таблица в стиле Excel (PIVOT).

Inputs: col_column (required), table_name (required), row_columns (required), value_column (required), +1 more. Returns: result

predict_trendC

Прогнозирование тренда (линейная/полиномиальная регрессия).

Inputs: table_name (required), date_column (required), value_column (required), period, +3 more. Returns: result

profile_dataC

Профилирование: статистика по колонкам (null%, уникальность, min/max, top-5).

Inputs: table_name (required), columns. Returns: result

query_explainA

Показать план выполнения SQL (EXPLAIN) и стоимость. Полезно перед тяжёлыми запросами к удалённой БД. (фича G)

Inputs: sql (required), connection. Returns: result

refresh_schemaA

Обновить схему подключений — перечитать таблицы, колонки, FK из source DB (A3). Если connection не указан — обновляет все подключения. Полезно когда в БД добавили таблицы/колонки после старта сервера.

Inputs: connection. Returns: result

sample_dataC

Выборка строк из таблицы.

Inputs: table_name (required), n, where, method, +1 more. Returns: result

scan_piiC

Сканировать таблицу на PII и пометить чувствительные колонки (ТЗ 10).

Inputs: table_name (required). Returns: result

search_knowledgeB

Поиск по базе знаний: метаданные таблиц, описания колонок, метрики, примеры (ТЗ 8). Комбинирует полнотекстовый и семантический поиск.

Inputs: query (required), top_k. Returns: result

segment_dataC

Сегментация: квинтили/децилы/кастомные бакеты или RFM-анализ.

Inputs: column (required), table_name (required), method, rfm_mode, +4 more. Returns: result

semantic_searchA

Семантический поиск по текстовой колонке через LLM embeddings (C3). Находит строки, похожие по смыслу на query, даже если слова не совпадают. Требует LLM_BASE_URL/LLM_MODEL (OpenAI-compatible /v1/embeddings).

Inputs: query (required), table_name (required), text_column (required), top_k, +1 more. Returns: result

smart_summaryC

Умное саммари: ключевые метрики, топ-группы, аномалии, паттерны.

Inputs: table_name (required), focus. Returns: result

sql_queryA

Выполняет SQL-запрос (read-only). По умолчанию — push-down к source DB (remote). SQL пишется в DuckDB-синтаксисе, автоматически переводится под диалект source DB (sqlglot). Read-only: INSERT/UPDATE/DELETE/DROP заблокированы. format: markdown (по умолчанию), json, csv. limit: ограничение строк (0 = default 200).

Inputs: sql (required), limit, format, connection. Returns: result

statistical_testC

Статистические тесты: t-test, Mann-Whitney, KS, Хи-квадрат.

Inputs: test (required), table_name (required), column, group_a, +2 more. Returns: result

sync_datahubB

Синхронизировать метаданные из DataHub в Knowledge Base (ТЗ 1.2).

Inputs: no named parameters. Returns: result

test_connectionC

Проверить доступность подключения к БД.

Inputs: name (required). Returns: result

time_analysisC

Анализ временных рядов: тренд, рост/падение, скользящее среднее.

Inputs: table_name (required), period, date_column, value_column, +1 more. Returns: result

transform_dataC

Трансформации: normalize, fillna, extract(даты), onehot, bin, derive.

Inputs: operations (required), table_name (required), output_table. Returns: result

update_metadataC

Обновить метаописание таблицы в Knowledge Base (ТЗ 1.1). column_descriptions: JSON {"col1": "описание", "col2": "..."} layer: raw | staging | mart | certified

Inputs: table_name (required), layer, owner, description, +2 more. Returns: result

visualize_dataC

Визуализация: bar/line/pie/scatter/area/histogram. PNG + JSON spec.

Inputs: title (required), x_column (required), y_columns (required), chart_type (required), +3 more. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Deploy Server
    One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

    TDQS

    C2.4/5.0

    Scored across 46 tools

    Disambiguation2/5

    Many tools occupy adjacent analytical niches—smart_summary, auto_insights, data_story, build_dashboard, and create_public_dashboard all produce summary/insight outputs, while profile_data and data_quality_report overlap and export_data/export_xlsx differ mostly by format. Although descriptions are detailed, an agent would frequently struggle to pick between near-equivalent options.

    Naming Consistency4/5

    The vast majority of tools follow a verb_noun snake_case pattern like get_schema, transform_data, and build_dashboard. A few noun-based names such as sql_query, query_explain, correlation_analysis, and data_story are minor deviations, but the overall convention is predictable.

    Tool Count2/5

    With 46 tools, the surface is heavily overloaded for a single MCP server. Many tools could be consolidated, such as the export pair, dashboard/story/summary family, or the many statistical analysis tools, and the large count increases selection cost and maintenance burden.

    Completeness3/5

    Core data connection, query, analysis, visualization, and metadata workflows are broadly covered, so most agent tasks can be completed. However, the knowledge-base lifecycle lacks delete operations, and connection management has attach/test/refresh but no list/detach, creating some dead ends.

    Resources

    Related MCP Connectors

    Related MCP Servers

    • TalkDB

      Nitin-Gupta1109
      A
      license
      Not graded
      quality
      D
      maintenance
      Enables natural language querying of databases with multi-turn conversations, auto-generated charts, and proactive monitoring via scheduled queries and alerts.
      1
      MIT
    • GraphJin

      GraphJinofficial

      dosco
      A
      license
      Not graded
      quality
      A
      maintenance
      Enables AI assistants to query databases using natural language, with automatic schema discovery and SQL compilation.
      833 npm
      3,235
      Apache 2.0

    • Database MCP Server

      tomtomjskim
      A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI agents to securely interact with multiple databases (MySQL, PostgreSQL) via natural language queries, with cross-database querying and enterprise-grade security.
      13 npm
      MIT

    • MCP Data Analyst

      DonMul
      A
      license
      Not graded
      quality
      D
      maintenance
      Enables natural language querying of SQL databases using AI, supporting multiple database types and automatic schema discovery.
      1
      MIT