Serwery MCP dla baz SQL i NoSQL

Serwery MCP dla baz danych pozwalają narzędziom AI odczytać żywy schemat i wykonywać zapytania tylko do odczytu, zamiast zgadywać strukturę tabel. Zespoły na PostgreSQL sięgają po Prisma MCP lub Supabase MCP, projekty MongoDB po serwer MongoDB MCP, SQLite obsługuje prototypowanie, a dbhub łączy kilka silników. Wynikają z tego dwa workflow: model danych z prawdziwej tabeli i debugowanie na żywych danych.

Twoje AI właśnie napisało piękne zapytanie ORM do tabeli, która nie istnieje. Założyło, że users.email jest unikalne, choć schemat dopuszcza duplikaty. Napisało z pamięci interfejs User, który zgaduje, że email nie może być pusty, pomija kolumnę miękkiego usuwania deleted_at i typuje created_at jako string, podczas gdy to timestamptz. Dziesięć minut później debugujesz zablokowane zamówienia, a ono radośnie proponuje zapytanie do tabeli payment, która naprawdę nazywa się payments.

Każda z tych wpadek ma tę samą przyczynę: AI zgaduje Twoje dane, zamiast je czytać. Serwer MCP dla bazy danych zamyka tę lukę. Gdy AI może odczytać schemat i wykonywać zapytania tylko do odczytu, przestaje wymyślać i zaczyna pracować na tym, co naprawdę jest.

Co dają serwery MCP dla baz danych

• Konfigurację dla PostgreSQL (Prisma i Supabase), MongoDB, SQLite i dbhub w Cursorze, Claude Code i Codeksie
• Ramy decyzyjne do wyboru właściwego serwera dla Twojego stacku
• Postawę bezpieczeństwa „tylko do odczytu”, która czyni to wszystko bezpiecznym na środowisku staging
• Powtarzalny proces generowania dokładnego modelu danych — typy, dopuszczalność null, wartości domyślne — z żywej tabeli
• Pętlę debugowania na żywych danych, która znajduje wadliwe wiersze w minuty zamiast ręcznie pisanych joinów
• Prompty do generowania kodu świadomego schematu, szkicowania migracji i doraźnych analiz danych

Wybór właściwego serwera MCP dla Twojego stacku

Stack	Rekomendowany MCP	Dlaczego
TypeScript + Prisma	Prisma MCP	Natywna integracja z Twoim ORM-em i systemem migracji
Supabase	Supabase MCP	Respektuje polityki RLS, zawiera narzędzia auth i storage
MongoDB	MongoDB MCP	Wnioskowanie schematu, zapytania JSON, analiza kolekcji
SQLite / lokalny dev	SQLite MCP	Zero konfiguracji, idealny do prototypowania
Wiele baz danych	dbhub	Uniwersalny konektor wspierający PostgreSQL, MySQL, SQLite i inne

Rejestracja ma ten sam kształt dla każdego z nich i jest jednym z tych miejsc, w których trzy narzędzia naprawdę się zbiegają. Cursor i Claude Code czytają ten sam JSON mcpServers, więc blok z Cursora możesz wkleić do .mcp.json Claude Code bez zmian — albo użyć claude mcp add, żeby CLI zapisało go za Ciebie. Różni się tylko format Codeksa: TOML [mcp_servers.<id>], w którym transport stdio jest wnioskowany z command i nie ma klucza transport.

PostgreSQL: Prisma MCP i Supabase MCP

Dla zespołów TypeScript najnaturalniejszym wyborem jest serwer Prisma MCP. Integruje się z istniejącym schematem Prismy i pozwala AI odpytywać dane, przeglądać schematy i zarządzać migracjami.

Cursor

{
  "mcpServers": {
    "prisma": {
      "command": "npx",
      "args": ["-y", "prisma", "mcp"]
    }
  }
}

Claude Code

claude mcp add prisma -- npx -y prisma mcp

Codex

[mcp_servers.prisma]
command = "npx"
args = ["-y", "prisma", "mcp"]

Dla zespołów na Supabase serwer Supabase MCP jest świadomy polityk Row Level Security i szerszego ekosystemu Supabase, w tym auth, storage i edge functions.

MongoDB MCP

Dla baz dokumentowych serwer MongoDB MCP zapewnia przeglądanie schematu i zapytania JSON. Pomaga AI poruszać się po półustrukturyzowanych kolekcjach i rozumieć wzorce dokumentów zagnieżdżonych.

Cursor

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": ["-y", "mongodb-mcp-server"],
      "env": {
        "MONGODB_URI": "mongodb://localhost:27017/mydb"
      }
    }
  }
}

Claude Code

claude mcp add --env MONGODB_URI=mongodb://localhost:27017/mydb mongodb -- npx -y mongodb-mcp-server

Codex

[mcp_servers.mongodb]
command = "npx"
args = ["-y", "mongodb-mcp-server"]

[mcp_servers.mongodb.env]
MONGODB_URI = "mongodb://localhost:27017/mydb"

SQLite MCP

SQLite to pewny wybór do lokalnego rozwoju i prototypowania. Pozwól AI eksperymentować ze schematami i budować narzędzia wewnętrzne bez dotykania danych produkcyjnych.

Cursor

{
  "mcpServers": {
    "sqlite": {
      "command": "uvx",
      "args": ["mcp-server-sqlite", "--db-path", "./dev.db"]
    }
  }
}

Claude Code

claude mcp add sqlite -- uvx mcp-server-sqlite --db-path ./dev.db

Codex

[mcp_servers.sqlite]
command = "uvx"
args = ["mcp-server-sqlite", "--db-path", "./dev.db"]

Najpierw tylko do odczytu, i staging zamiast produkcji

Uwaga

Łącz się użytkownikiem bazy ograniczonym do uprawnień tylko do odczytu (SELECT) i wskazuj środowisko staging. Serwer, który może wykonać dowolny SQL, może wykonać DROP TABLE — rola tylko do odczytu usuwa całą tę klasę wypadków na czas budowania zaufania do workflow. To najważniejsze zabezpieczenie na tej stronie, a kosztuje jedno CREATE ROLE.

Gdy to jest gotowe, oba workflow poniżej można bezpiecznie uruchamiać na prawdziwych danych, bo nic w żadnym z nich nie może niczego zmienić.

Workflow 1: model danych wygenerowany z żywej tabeli

Potrzebujesz modelu User, który dokładnie odpowiada tabeli users — a nie najlepszemu przypuszczeniu AI.

1. Niech AI odczyta prawdziwy schemat. Odczyt na początku sprawia, że wygenerowany kod jest osadzony w rzeczywistych kolumnach, typach i dopuszczalności null.

   Prompt do skopiowania: odczyt schematu tabeli

   “Use the database MCP to inspect the users table. List every column with its exact type, nullability, and default. Call out the primary key, any unique constraints, and any soft-delete or status columns. Do not generate code yet — just report the schema.”

2. Wygeneruj model z tego kontekstu. Teraz AI ma prawdę w kontekście, więc typy się zgadzają.

   Prompt do skopiowania: typowany kod ze schematu

   “Based on the schema you just read, generate a TypeScript interface for User plus a Zod schema that validates a row from that table. Match nullability exactly (nullable columns become optional/null), map timestamptz to Date, and add a short comment on any column that is a soft-delete or status flag. Do not invent columns that are not in the schema.”

   Wynik odpowiada Twojej tabeli, bo został z niej wygenerowany — kolumny nullowalne są opcjonalne, znacznik czasu to Date, a deleted_at jest udokumentowane, a nie pominięte.

Gdy chcesz zapytania, a nie modelu, ta sama dyscyplina zwija się do jednego promptu: najpierw odczytaj schemat, potem napisz zapytanie.

Prompt do skopiowania: generowanie zapytań świadome schematu

“Inspect the database schema. List all tables, their columns, types, and relationships. Then write a Drizzle ORM query that fetches all users who signed up in the last 30 days along with their most recent order, including the order total and status.”

Workflow 2: debugowanie problemu produkcyjnego na żywych danych

Część zamówień utknęła i podejrzewasz dane, a nie kod. Zamiast pisać joina ręcznie, opisz objaw i pozwól AI zbudować oraz uruchomić zapytanie.

1. Opisz zły stan zwykłym językiem. AI tłumaczy go na SQL, uruchamia przez serwer MCP na połączeniu tylko do odczytu i pokazuje wadliwe wiersze.

   Prompt do skopiowania: polowanie na wadliwe wiersze

   “Using the database MCP, find every order created in the last 24 hours with status = 'pending' that has no matching row in the payments table. Return order id, customer id, created_at, and total, sorted oldest first. Show me the exact SQL you ran so I can sanity-check the join.”

   Prośba o wypisanie wykonanego SQL to różnica między czarną skrzynką a narzędziem, któremu możesz ufać — logikę joina weryfikujesz sam, zanim uwierzysz w wynik.

2. Ruszaj dalej od dowodu. Mając konkretne identyfikatory zamówień, zawężasz dalej bez przepisywania czegokolwiek ręcznie.

   Prompt do skopiowania: zejście w głąb znaleziska

   “For those stuck orders, check the payment_attempts table for any failed attempts in the same window. Group by failure reason and count. If a single error code dominates, summarize what it means and which orders it explains.”

Diagnozę postawiłeś na żywych danych, nie wychodząc z edytora i nie pisząc ręcznie joina po wielu tabelach.

Ta sama pętla działa dla doraźnej analizy, nie tylko dla błędów:

Prompt do skopiowania: doraźna analiza danych

“Query the orders table for the last 90 days. Group by product_id and calculate the total revenue, average order value, and order count for each product. Sort by revenue descending and present the top 10 products in a formatted table.”

Migracje i rozjazd schematu

Trzecia korzyść to wyłapywanie luki między tym, co trzyma baza, a tym, co twierdzą Twoje typy. AI czyta obie strony naraz, czego samodzielnie nie robi ani narzędzie do migracji, ani type-checker.

Prompt do skopiowania: szkic migracji z rozjazdu

“Read the current database schema and compare it to the TypeScript types defined in src/lib/db/schema.ts. Identify any mismatches — missing columns, type differences, or missing indexes. Generate a SQL migration script that brings the database in line with the TypeScript schema.”

Przeczytaj wygenerowany SQL, zanim go uruchomisz. Raport o rozjeździe to dowód; migracja to zmiana.

Gdy serwery MCP dla baz danych zawodzą

Connection refused. Upewnij się, że baza działa i jest osiągalna z localhosta. Sprawdź, czy connection string niesie właściwy port, nazwę bazy i poświadczenia.

AI odpytuje tabelę lub kolumnę, która nie istnieje. Wciąż zgaduje, zamiast czytać schemat. Wymuś krok odczytu: niech przeczyta schemat, zanim napisze jakiekolwiek zapytanie, i potwierdź, że serwer MCP jest faktycznie podłączony (klient powinien wyświetlać jego narzędzia).

AI pisze destrukcyjne zapytania. Jeśli wykonuje UPDATE albo DELETE, gdy oczekiwałeś tylko SELECT, użytkownik bazy ma za dużo uprawnień. Utwórz dedykowaną rolę tylko do odczytu na potrzeby MCP.

Odczyt schematu zwraca nieaktualne dane. Część serwerów MCP cache’uje metadane schematu. Po migracji zrestartuj serwer, żeby odświeżyć cache, i ponów prompt odczytujący schemat.

Wolne zapytania przekraczają timeout. Skany analityczne na dużych tabelach potrafią przekroczyć timeout narzędzia. Dodaj indeks, zawęź WHERE albo poproś AI o LIMIT i stronicowanie.

Dokąd dalej z serwerami MCP dla baz danych

Tworzenie własnego serwera MCP Opakuj wewnętrzne API lub zastrzeżony magazyn danych we własny serwer MCP.

Kontekst dokumentacji Trzymaj AI przy aktualnej dokumentacji bibliotek.

MCP dla kontroli wersji Integracja z GitHubem i GitLabem dla pracy wspieranej przez AI.