MCP-Server für Datenbanken

Datenbanken in KI-Workflows einzubinden, ist kein Problem – den richtigen MCP-Server vorausgesetzt.DC Studio | shutterstock.com



Das Model Context Protocol (MCP) hat sich zur Standard-Schnittstelle zwischen LLM-gestützten Tools und lokalen Systemen, internen und externen APIs sowie Datenquellen entwickelt. Offizielle MCP-Server stehen inzwischen nicht nur für große Cloud-Plattformen und DevOps-Tools zur Verfügung, sondern werden auch von den meisten wichtigen Datenbankplattformen unterstützt.



Einen MCP-Server für Datenbanken zu nutzen, kann Anwender unter anderem dazu befähigen,




Abfragen durchzuführen, Daten zu erstellen und zu aktualisieren sowie administrative Tasks zu erledigen, ohne manuell SQL schreiben zu müssen.



mit LLMs neuen Code zu schreiben oder Automatisierungen zu erstellen, die auf das jeweilige Datenbankschema abgestimmt sind.



das Debugging über schnellere Abfragen optimieren, um Datenprobleme oder Fehlkonfigurationen aufzudecken.




In diesem Beitrag stellen wir ihnen offizielle MCP-Server von führenden Datenbank-Plattformanbietern vor. Diese Server können von jedem MCP-kompatiblen Tool, jeder IDE und jedem Agenten genutzt werden. Das erfordert oft nur einen kleinen JSON-Eintrag in der MCP-Konfigurationsdatei.



Amazon Aurora MCP-Server



MySQL und PostgreSQL sind die weltweit am häufigsten verwendeten Open-Source-Datenbanken. In beiden Fällen existiert jedoch kein einheitlicher MCP-Server. Dafür gibt es diese bei verschiedenen Anbietern. Einer davon ist Amazon Web Services (AWS).



Das Unternehmen bietet für seinen gemanagten relationalen Datenbank-Service Aurora einen offiziellen MCP-Server an. Dieser ist sowohl mit MySQL als auch mit PostgreSQL kompatibel. Laut der Dokumentation auf GitHub kann der Amazon Aurora MySQL MCP-Server dazu genutzt werden, natürlichsprachliche Befehle in MySQL-kompatible SQL-Abfragen umzuwandeln. Diese können anschließend auf Aurora-MySQL-Datenbanken ausgeführt werden. In ähnlicher Weise bietet der Aurora Postgres MCP-Server MCP-Tools, um mit PostgreSQL-Datenbanken zu arbeiten. Für verteilte Postgres-Datenbanken übernimmt der Aurora DSQL MCP-Server dieselbe Funktion.



AWS hat darüber hinaus ein wachsendes Portfolio mit offiziellen MCP-Servern für seine gesamte Produktpalette aufgebaut – darunter auch andere Amazon-Datenbankplattformen wie:




DynamoDB,



ElastiCache und



Redshift.




Zu empfehlen für: AWS-agnostische Anwender, die ihre LLM-Interaktionen mit Daten unterfüttern wollen.



BigQuery MCP-Server



BigQuery ist Googles Cloud-basierte Datenanalyseplattform und eine beliebte Datenquelle für KI-Anwendungen. BigQuery-Nutzer mit konfiguriertem API-Zugriff können den BigQuery MCP Server nutzen, um über MCP-kompatible KI-Clients mit der Plattform zu interagieren. Mithilfe dieses Remote-MCP-Servers können Entwickler:




Abfragen zu Datenquellen generieren und ausführen oder



Metadaten zu Datensätzen, Tabellen und Schemata abrufen.




All das ist mit einem einfachen Prompt in natürlicher Sprache realisierbar, beispielsweise: „Liste alle Datensätze im Projekt PROJECT_ID auf.“ Die Ergebnisse lassen sich nach Region, Datensatz-ID, Spaltennamen und weiteren Kriterien filtern. Als Teil von Googles vollständig gemanagtem, remote gehostetem MCP-Portfolio kann der BigQuery MCP Server verteilten Teams das Leben in Bezug auf Security, Wartung und Benutzerfreundlichkeit leichter machen. Allerdings unterliegen die BigQuery-MCP-Tools einigen Beschränkungen hinsichtlich des Umfangs der Abfrageergebnisse, der Verarbeitungszeit und anderen Faktoren.



Zu empfehlen für: Anwender, die bereits auf BigQuery setzen und zusätzliche, agentische Kontrollmaßnahmen wünschen.



Elastic Agent Builder



Eine weitere wichtige Datenbankkategorie umfasst Plattformen, die für Keyword- und semantische Suchen konzipiert sind. In diesem Bereich wird häufig Elasticsearch eingesetzt. Anstelle eines einzelnen MCP-Servers bietetdas Unternehmen inzwischen den Elastic Agent Builder an. Dabei handelt es sich um ein umfassenderes Framework, das auf agentenbasierte Workflows ausgerichtet ist.



Mit dem Elastic Agent Builder können Anwender mit KI-Agenten chatten, um Kontext aus den Elasticsearch-Daten abzurufen und diesen auf verschiedene Umgebungen auszuweiten. Der Agent Builder selbst enthält einen MCP-Server-Endpunkt für die Programmability und um Agenten anderen Clients zugänglich zu machen. Hierbei handelt es sich ausdrücklich nicht um eine direkte MCP-Schnittstelle zu den reinen Elasticsearch-APIs. Stattdessen stellt das Interface Skills der Agentenplattform bereit.



Ein möglicher Nachteil ist dabei, dass dadurch eine zusätzliche Ebene zwischen IDE (beziehungsweise Agenten) und den Daten, nach denen gesucht wird, eingezogen wird. Einen Agenten einzurichten, erfordert eine höhere Abonnement-Stufe und im Vergleich zu anderen MCP-Servern sind zusätzliche Konfigurationsschritte erforderlich.



Zu empfehlen für: Anwender, die Wert auf eine erweiterbare gemeinsame Ebene für die Interaktion sowohl mit Elasticsearch als auch mit externen MCP-Servern legen und gleichzeitig Verantwortlichkeiten wie Berechtigungen zentralisieren möchten.



Neo4j MCP-Server



Graph-Datenbanken sind inzwischen ebenfalls ein wichtiger NoSQL-Datenbanktyp. Dieser ist darauf spezialisiert, mithilfe von Nodes und Edges Abfragen in stark vernetzten Datenstrukturen zu beschleunigen. Eine populäre Option in diesem Bereich ist Neo4j. Der zugehörige offizielle MCP-Server funktioniert mit jeder Art von Neo4j-Deployment (Desktop, Sandbox, selbstverwaltet und gemanagt) und ermöglicht es LLM-basierten Clients unter anderem:




Graph-Schemata abzurufen,



Lese- und Schreibanweisungen auszuführen, oder



Graph-Algorithmen auszuführen.




Darüber hinaus sind weitere Neo4j-MCP-Server für spezielle Anwendungsbereiche verfügbar.



Zu empfehlen für: Neo4j-Poweruser, die mit ihren Graph-Datenbanken auf chatbasierte Weise experimentieren möchten.



MCP Toolbox for Databases



Bei MCP Toolbox for Databases handelt es sich um einen bemerkenswerten MCP-Server von Google, der als populäre „Sammellösung“ für verschiedene Datenbanktypen dient. Denn dieser Server verbindet LLMs nicht mit einer einzelnen verwalteten Datenbank, sondern vereinheitlicht den LLM-Zugriff auf mehrere Systeme. Die Open-Source-Utility wird mit vorkonfigurierten Einstellungen für knapp 30 verschiedene Datenbanken ausgeliefert – darunter:




PostgreSQL,



MySQL,



SQL Server,



Oracle Database,



MongoDB,



Redis,



Neo4j,



Snowflake, sowie



die Datenbanken in Google Cloud.




Sobald die Datenquellen in einer tools.yaml-Datei definiert sind, können mit der MCP Toolbox strukturierte Abfragen oder semantische Suchen in Datenbanken durchgeführt werden – direkt über eine IDE oder einen Agentic Client und in natürlicher Sprache. Dabei werden Befehle in Aktionen wie list_tables und execute_sql übersetzt.



Zu empfehlen für: Anwender, die verschiedene Datenbanken in Google Cloud (oder anderswo) nutzen und einen „All-in-One“-MCP-Server brauchen.



MongoDB MCP-Server



MongoDB ist eine populäre, dokumentenorientierte NoSQL-Datenbank. Die verantwortlichen Entwickler haben ebenfalls einen offiziellen MCP-Server veröffentlicht. Dieser ist sowohl mit der quelloffenen Datenbank als auch mit der gehosteten Cloud-Datenbankplattform MongoDB Atlas kompatibel. Um mit MongoDB-Instanzen zu interagieren, stellt der MCP-Server eine Reihe von Tools bereit. Damit ist es etwa möglich:




die Datenbank abzufragen,



Informationen zu Sammlungen abzurufen,



Indizes zu erstellen und zu entfernen, oder



Statistiken zur Datenbanknutzung zu erfassen.




Für MongoDB-Atlas-Prozesse stehen zudem weitere Tools zur Verfügung, beispielsweise um Benutzer zu erstellen und zu clustern.  



Die Tools des MongoDB MCP-Servers sind standardmäßig schreibgeschützt, können aber für Schreibzugriff umkonfiguriert werden. Diese können lokal genutzt werden, unterstützen aber auch den Streamable-HTTP-Transport für Remote-Server (was allerdings mit größeren Sicherheitsbedenken verbunden ist).



Zu empfehlen für: Alle, die MongoDB nutzen und ihre KI-fähige IDE oder CLI mit mehr Automatisierungsfunktionen ausstatten möchten.



Pinecone MCP-Server



Geht es um native Vektordatenbanken, ist Pinecone eine performante und weit verbreitete Option – inklusive einer gut durchdachten API und umfassenden SDKs. Der Pinecone MCP-Server erweitert diese Möglichkeiten und befähigt Benutzer etwa dazu, die Dokumentation abzufragen und Funktionen über KI-Agenten und KI-fähige IDEs auszuführen. Dabei zeichnet sich der Pinecone MCP-Server durch einfache Konfiguration und Installation aus. Derzeit besteht der Pinecone MCP-Server aus neun MCP-Tools. Diese decken diverse schreibgeschützte Aktionen ab, etwa:




Knowledge Gathering über die offizielle Pinecone-Dokumentation,



die Abfrage von Vektordatensätzen, Index-Metadaten, Konfigurationen sowie Statistiken, und



Datensätze und Indizes zu aktualisieren, beziehungsweise neu zu erstellen.




Zu empfehlen für: Pinecone-Nutzer, die neue LLM-gestützte Workflows ausprobieren möchten, um Indizes mit Embeddings zu erstellen oder Ergebnisse mithilfe von natürlichsprachlichen Befehlen  überprüfen möchten.



Redis MCP-Server



Als schnelle In-Memory-Datenbank wird Redis vornehmlich für Caching, Echtzeitanalysen und andere Anwendungsfälle eingesetzt, bei denen es auf die Latenz ankommt. Die Macher von Redis stellen ebenfalls einen offiziellen MCP-Server zur Verfügung, der Lese-, Abfrage- und Schreibfunktionen realisiert. Entwickler können den Redis MCP-Server über einen LLM-Client nutzen, um Redis-Daten auf Prompt-Basis:




abzufragen,



zu analysieren oder



einzubetten.




Die Dokumentation enthält auch einige Beispiel-Prompts für gängige Anwendungsfälle.



Im Gegensatz zu anderen MCP-Servern, die nur einen Teil der Plattformfunktionen abbilden, bietet Redis MCP vollen Support. Laut dem zugehörigen GitHub-Repository stellt es so auch kein Problem dar, mit Redis-Konstrukten wie Hashes, Lists, Sets und Streams zu arbeiten. Ein möglicher Nachteil dieser Option: Der Redis MCP-Server bietet bislang keinen Support für Streamable-HTTP-Transport. Bis es soweit ist, ist dieser MCP-Server auf eine lokale Bereitstellung beschränkt.



Zu empfehlen für: Alle, die einen lokalen MCP-Server für die Arbeit mit Redis-Daten suchen.



Snowflake MCP-Server



Snowflake ist eine in der Cloud gehostete, KI-fähige Datenplattform, die im Enterprise-Umfeld häufig für Data Warehousing, Datenanalysen und Data Engineering eingesetzt wird. Im Vergleich zu anderen Plattformen zeichnet sich Snowflake dabei dadurch aus, dass es vollumfänglich gemanagt wird und strukturierte sowie unstrukturierte Datentypen kombiniert. Der Snowflake MCP Server, der über GitHub verfügbar ist, lässt sich für diverse Standardoperationen der Snowflake-Plattform einsetzen. Dazu gehören etwa:




„Fuzzy“-Suchen über Snowflakes Cortex Search in allen Datensätzen, sowie



semantische Abfragen strukturierter Daten mithilfe von Cortex Analyst.




Zu den weiteren Funktionen gehören Objektmanagement-Prozesse – also Datensätze zu erstellen, zu aktualisieren oder zu löschen. Der MCP-Server kann darüber hinaus weitere agentenbasierte Funktionen realisieren, etwa SQL-Anweisungen für Backend-Datenbanken zu generieren und auszuführen. Der Snowflake MCP-Server ist dabei sowohl gut durchdacht als auch umfassend dokumentiert.



Zu empfehlen für: Anwender, die bereits mit Snowflake arbeiten.



Supabase MCP-Server



PostgreSQL ist eines der beliebtesten und bewährtesten objektrelationalen, SQL-basierten Datenbanksysteme. Seiner aktiven Open-Source-Community sei Dank wurde PostgreSQL über Jahrzehnte hinweg weiterentwickelt. Aufgrund des quelloffenen Charakters gibt es jedoch keinen „offiziellen“ MCP-Server für die Plattform. Anthropic hatte ursprünglich zwar eine Referenzimplementierung entwickelt, diese ist jedoch mittlerweile archiviert.



Stattdessen bieten auf PostgreSQL aufbauende Datenbankplattformen verschiedene Varianten von MCP-Servern an. Diese unterscheiden sich hinsichtlich ihrer Herstellerneutralität und Spezifität. Eine bemerkenswerte Option ist der MCP-Server von Supabase, einer Cloud-basierten „Backend-as-a-Service“- und Postgres-Entwicklungsplattform. Der Supabase MCP Server verbindet KI-Agenten mit Supabase-Projekten und ermöglicht es Entwicklern, Befehle in natürlicher Sprache zu erteilen, um:




Tabellen zu verwalten,



Daten abzufragen,



Protokolle abzurufen, und



Konfigurationsinformationen einzusehen.




Allerdings gibt es noch kein finales Release des MCP-Servers von Supabase, weswegen einige Funktionen noch experimentell sind.



Zu empfehlen für: Entwickler, die Supabase nutzen und nach einem MCP-Server suchen, um KI-Assistenten mit Postgres-Datenbanken zu verbinden – auf experimenteller Basis.



Weitere MCP-Serveroptionen für Datenbanken



Neben den offiziellen MCP-Servern mit Anbieter-Support stehen auch zahlreiche MCP-Server für weitere Datenbankplattformen und -typen zur Verfügung. Zum Beispiel:




DBHub, ein MCP-Server, der den LLM-Zugriff über verschiedene Datenbanktypen hinweg bündelt und mit MySQL, PostgreSQL, SQL Server, MariaDB und SQLite kompatibel ist.



Der MCP Server for MySQL, der vom deutschen Full-Stack-Entwickler Ben Borla entwickelt und für Claude Code optimiert wurde.



Die Supabase-, respektive Postgres-Alternativen pgEdge Postgres MCP, Neon MCP Server und Postgres MCP Pro.



Die auf Vektordatenbanken ausgelegten MCP-Server von Weaviate und Milvus.




(fm)



Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.