mcp-crewai-giulia-ai
Provides text-to-SQL querying for PostgreSQL databases, allowing natural language requests to be converted into read-only SQL SELECT statements and executed against configured database schemas.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@mcp-crewai-giulia-ai What are the top 3 best-selling products in ecommerce?"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
PRJ-07 — CrewAI + MCP: Text-to-SQL
Sistema multi-agente CrewAI + servidor MCP que faz text-to-SQL: o usuário
conversa (Streamlit), um agente CrewAI usa as tools MCP, o servidor gera SQL real a
partir de linguagem natural (com base no schema) e consulta bancos PostgreSQL de
demonstração (ecommerce e clinica). Corresponde ao Capítulo 8 do livro Model
Context Protocol (Sandeco).
Os mocks originais (SQL fixo, MockCursor, URI falsa) foram substituídos por: geração de
SQL por um Crew real (crew_ai_query.py), conexão psycopg2 real (postgres_connection.py)
e URI a partir de env (postgres_databases.py). Consultas são somente-leitura — ver
Segurança.
Multi-provider
Modelo por LLM_MODEL (OpenAI/Anthropic/Gemini/OpenRouter) — ver .env.example.
Related MCP server: mcp-db-server
Pré-requisitos: PostgreSQL com massa de teste
# cria os 2 bancos e popula com os dados demo (ajuste user/host conforme seu .env)
createdb ecommerce && createdb clinica
psql -d ecommerce -f data/seed_ecommerce.sql
psql -d clinica -f data/seed_clinica.sqlSchemas descritos em src/schema_ecommerce.yaml e src/schema_clinica.yaml (o agente usa
o YAML para gerar SQL correto).
Uso
uv sync
cp .env.example .env # defina LLM_MODEL + chave do provider + credenciais PG
uv run streamlit run src/main.pyFluxo: pergunta em linguagem natural → agente CrewAI chama a tool MCP buscar_dados_sql
→ Crew gera o SELECT a partir do schema → validação → executa no Postgres em sessão
read-only → devolve os dados. Ex.: "quais os 3 produtos mais vendidos no ecommerce?"
Segurança
O SQL é gerado por um LLM a partir de texto do usuário, então o vetor a considerar é prompt injection. A defesa tem duas camadas, e só a segunda é garantia.
Camada 1 — validação na aplicação (src/sql_guard.py)
Falha cedo, com motivo legível, antes de gastar uma ida ao banco:
Um único comando. Múltiplos statements são rejeitados —
psycopg2executa vários comandos separados por;numa única chamada deexecute().Allowlist de início:
SELECT,WITH,VALUESouTABLE.Denylist complementar para CTE que escreve (
WITH x AS (DELETE ... RETURNING *), recurso real do PostgreSQL).Comentários (
--,/* */aninhados), literais ('...',$$...$$) e identificadores ("...") são analisados corretamente: uma palavra reservada dentro de um dado não vira comando, e um;dentro de um literal não separa statement.
Versão anterior: a validação era
sql.lower().lstrip().startswith("select").SELECT 1; DROP TABLE clientescomeça comselect— e passava. Validar prefixo é validar string; o necessário é validar comando. Coberto portests/test_sql_guard.py::test_rejeita_o_bypass_original.
Camada 2 — garantia no banco (src/postgres_connection.py)
A sessão é aberta com set_session(readonly=True). Quem recusa a escrita é o próprio
PostgreSQL (ReadOnlySqlTransaction), não código Python. Há também um
statement_timeout (PG_STATEMENT_TIMEOUT_MS, padrão 15s) para que uma query gerada por
LLM não prenda uma conexão indefinidamente.
Recomendado: aponte PG_USER para um role sem permissão de escrita — defesa em
profundidade, independente da aplicação.
CREATE ROLE giulia_ro LOGIN PASSWORD 'troque-isto';
GRANT CONNECT ON DATABASE ecommerce TO giulia_ro;
GRANT USAGE ON SCHEMA public TO giulia_ro;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO giulia_ro;
ALTER DEFAULT PRIVILEGES IN SCHEMA public GRANT SELECT ON TABLES TO giulia_ro;Testes
uv run pytest # 58 testes do sql_guard (lógica pura, sem banco)Os testes da camada 2 exigem um PostgreSQL de verdade — é o único jeito de provar que
quem recusa a escrita é o banco. Sem PRJ07_TEST_DSN definido eles são pulados:
docker run -d --name prj07-mcp-pg -e POSTGRES_PASSWORD=postgres -p 55432:5432 postgres:16-alpine
# crie os bancos e rode os seeds (ver "Pré-requisitos" acima)
export PRJ07_TEST_DSN="postgresql://postgres:postgres@localhost:55432/ecommerce"
uv run pytest # 73 testes (58 + 15 de integração)Entre os testes de integração está
test_bypass_do_guard_ainda_seria_barrado_pelo_banco: mesmo que a camada 1 falhasse,
SELECT 1; DROP TABLE clientes levanta ReadOnlySqlTransaction. É a definição de defesa
em profundidade.
Available Tools
2 toolsbuscar_dados_sqlA
Responde uma pergunta em linguagem natural consultando o banco indicado.
O SQL é gerado a partir do schema, validado como somente-leitura e executado numa
sessão read-only. Use listar_databases para descobrir os valores de database_name.
Inputs: query (required), database_name (required). Returns: result
listar_databasesA
Lista os bancos disponíveis para consulta.
Use antes de buscar_dados_sql para descobrir o valor válido de database_name.
Inputs: no named parameters. Returns: result
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 2 tools
The two tools have clearly distinct purposes: one discovers available databases, the other answers natural-language questions via SQL. The cross-references in each description make the intended order of use explicit, leaving no realistic chance of misselection.
Both names follow a verb_noun snake_case pattern in Portuguese (buscar_dados_sql, listar_databases), which is readable and predictable. The minor deviation is the '_sql' suffix on one tool that isn't mirrored in the other.
Two tools is borderline thin for a server, though for a strictly read-only NL-to-SQL workflow it is defensible. A schema-inspection or query-explanation tool would round out the set without bloat.
Discovery plus read-only querying covers the core stated purpose with no obvious dead ends. A dedicated schema/table introspection tool is a minor gap, since schema knowledge is currently only implicit inside buscar_dados_sql.
Maintenance
Related MCP Connectors
Text-to-SQL MCP server: read-only queries on PostgreSQL, MySQL and SQL Server with your real schema
Analytical memory for AI agents: a real Postgres queried in plain English over MCP. One command.
Hosted PostgreSQL MCP server for Claude, ChatGPT and Cursor, with each action switched per account.
Hosted SQL Server MCP server for Claude, ChatGPT and Cursor, with each action switched per account.
Related MCP Servers
- AlicenseAqualityCmaintenanceAn MCP server that gives AI agents direct read-only access to PostgreSQL databases, enabling natural language analytics through tools for schema exploration, querying, trend analysis, and data quality checks.115MIT
- FlicenseNot gradedqualityBmaintenanceAn MCP server that exposes relational databases (PostgreSQL/MySQL) to AI agents with natural language to SQL query support.19-
- AlicenseAqualityDmaintenanceA production-grade MCP server that gives AI agents safe, authenticated access to a PostgreSQL database.3MIT
- AlicenseNot gradedqualityCmaintenanceRead-only Text-to-SQL MCP server for PostgreSQL and MySQL that lets users query databases using natural language, with robust multi-layer safety guarantees against writes.41 npmMIT