Connecter des LLM à BigQuery avec MCP

Ce guide vous explique comment utiliser la MCP Toolbox for Databases pour connecter votre projet BigQuery à différents environnements de développement intégrés (IDE) et outils pour les développeurs. Il utilise le Model Context Protocol (MCP), un protocole ouvert permettant de connecter des grands modèles de langage (LLM) à des sources de données comme BigQuery. Vous pouvez ainsi exécuter des requêtes SQL et interagir avec votre projet directement depuis vos outils existants.

Si vous utilisez la CLI Gemini, vous pouvez utiliser les extensions BigQuery. Pour en savoir plus, consultez Développer avec la CLI Gemini. Si vous prévoyez de créer des outils personnalisés pour la CLI Gemini, poursuivez votre lecture.

Ce guide explique comment connecter les IDE suivants :

  • Cursor
  • Windsurf (anciennement Codeium)
  • Visual Studio Code (Copilot)
  • Cline (extension VS Code)
  • Claude sur ordinateur
  • Code Claude
  • Antigravity

Avant de commencer

  1. Dans la console Google Cloud , sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud .

  2. Assurez-vous que la facturation est activée pour votre projet Google Cloud .

  3. Activez l'API BigQuery dans le projet Google Cloud .

  4. Configurez les rôles et autorisations requis pour effectuer cette tâche. Pour vous connecter au projet, vous devez disposer du rôle Utilisateur BigQuery (roles/bigquery.user), du rôle Lecteur de données BigQuery (roles/bigquery.dataViewer) ou d'autorisations IAM équivalentes.

  5. Configurez les identifiants par défaut de l'application pour votre environnement.

Contacter Antigravity

Vous pouvez associer BigQuery à Antigravity de différentes manières :

  • Utiliser le MCP Store
  • Utiliser une configuration personnalisée

Remarque : Vous n'avez pas besoin de télécharger le binaire MCP Toolbox pour utiliser ces méthodes.

Boutique MCP

Le moyen le plus simple de se connecter à BigQuery dans Antigravity consiste à utiliser le MCP Store intégré.

  1. Ouvrez Antigravity, puis le panneau de l'agent de l'éditeur.
  2. Cliquez sur l'icône "..." en haut du panneau, puis sélectionnez Serveurs MCP.
  3. Recherchez BigQuery dans la liste des serveurs disponibles, puis cliquez sur Installer.
  4. Suivez les instructions à l'écran pour associer vos comptes de manière sécurisée, le cas échéant.

Une fois BigQuery installé dans le MCP Store, les ressources et les outils du serveur sont automatiquement disponibles dans l'éditeur.

Configuration personnalisée

Pour vous connecter à un serveur MCP personnalisé, procédez comme suit :

  1. Ouvrez Antigravity et accédez au magasin MCP à l'aide du menu déroulant "..." en haut du panneau d'agent de l'éditeur.
  2. Pour ouvrir le fichier mcp_config.json, cliquez sur Serveurs MCP, puis sur Gérer les serveurs MCP > Afficher la configuration brute.
  3. Ajoutez la configuration suivante, remplacez la variable d'environnement par vos valeurs, puis enregistrez.
{
  "mcpServers": {
    "bigquery": {
      "command": "npx",
      "args": ["-y","@toolbox-sdk/server","--prebuilt","bigquery","--stdio"],
      "env": {
          "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

Installer MCP Toolbox

Vous n'avez pas besoin d'installer MCP Toolbox si vous prévoyez uniquement d'utiliser les extensions BigQuery Gemini CLI, car elles regroupent les fonctionnalités de serveur requises. Pour les autres IDE et outils, suivez les étapes de cette section pour installer MCP Toolbox.

Cette boîte à outils sert de serveur MCP (Model Context Protocol) Open Source qui se situe entre votre IDE et BigQuery. Elle fournit un plan de contrôle sécurisé et efficace pour vos outils d'IA.

  1. Téléchargez la dernière version de MCP Toolbox en tant que binaire. Sélectionnez le binaire correspondant à votre système d'exploitation et à l'architecture de votre processeur. Vous devez utiliser la version V0.7.0 ou ultérieure de MCP Toolbox :

    linux/amd64

    curl -O https://storage.googleapis.com/genai-toolbox/VERSION/linux/amd64/toolbox
    

    Remplacez VERSION par la version de MCP Toolbox, par exemple v0.7.0.

    macOS darwin/arm64

    curl -O https://storage.googleapis.com/genai-toolbox/VERSION/darwin/arm64/toolbox
    

    Remplacez VERSION par la version de MCP Toolbox, par exemple v0.7.0.

    macOS darwin/amd64

    curl -O https://storage.googleapis.com/genai-toolbox/VERSION/darwin/amd64/toolbox
    

    Remplacez VERSION par la version de MCP Toolbox, par exemple v0.7.0.

    windows/amd64

    curl -O https://storage.googleapis.com/genai-toolbox/VERSION/windows/amd64/toolbox
    

    Remplacez VERSION par la version de MCP Toolbox, par exemple v0.7.0.

  2. Rendez le binaire exécutable :

    chmod +x toolbox
    
  3. Vérifiez l'installation :

    ./toolbox --version
    

Configurer les clients et les connexions

Cette section explique comment connecter BigQuery à vos outils.

Si vous utilisez Gemini CLI autonome, vous n'avez pas besoin d'installer ni de configurer MCP Toolbox, car les extensions regroupent les fonctionnalités de serveur requises.

Pour les autres outils et IDE compatibles avec MCP, vous devez d'abord installer MCP Toolbox.

Code Claude

  1. Installez Claude Code.
  2. Créez un fichier .mcp.json à la racine de votre projet, s'il n'existe pas.
  3. Ajoutez la configuration, remplacez les variables d'environnement par vos valeurs et enregistrez :
            {
              "mcpServers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            
  4. Redémarrez Claude Code pour charger les nouveaux paramètres. Lorsqu'il se rouvre, l'outil indique que le serveur MCP configuré a été détecté.

Claude sur ordinateur

  1. Ouvrez Claude Desktop et accédez à Paramètres.
  2. Dans l'onglet Développeur, cliquez sur Modifier la configuration pour ouvrir le fichier de configuration.
  3. Ajoutez la configuration, remplacez les variables d'environnement par vos valeurs et enregistrez :
            {
              "mcpServers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            
  4. Redémarrez Claude Desktop.
  5. Le nouvel écran de chat affiche une icône en forme de marteau (MCP) avec le nouveau serveur MCP.

Cline

  1. Ouvrez l'extension Cline dans VS Code, puis appuyez sur l'icône Serveurs MCP.
  2. Appuyez sur Configurer les serveurs MCP pour ouvrir le fichier de configuration.
  3. Ajoutez la configuration suivante, remplacez les variables d'environnement par vos valeurs et enregistrez :
            {
              "mcpServers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            

Un état actif vert s'affiche une fois que le serveur est connecté.

Cursor

  1. Créez le répertoire .cursor dans la racine de votre projet s'il n'existe pas.
  2. Créez le fichier .cursor/mcp.json s'il n'existe pas et ouvrez-le.
  3. Ajoutez la configuration suivante, remplacez les variables d'environnement par vos valeurs et enregistrez :
            {
              "mcpServers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            
  4. Ouvrez Cursor, puis accédez à Settings > Cursor Settings > MCP. Un état actif vert s'affiche lorsque le serveur se connecte.

Visual Studio Code (Copilot)

  1. Ouvrez VS Code et créez un répertoire .vscode dans la racine de votre projet s'il n'existe pas.
  2. Créez le fichier .vscode/mcp.json s'il n'existe pas, puis ouvrez-le.
  3. Ajoutez la configuration suivante, remplacez les variables d'environnement par vos valeurs, puis enregistrez :
            {
              "servers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            
  4. Actualisez la fenêtre VS Code. L'extension compatible avec MCP détecte automatiquement la configuration et démarre le serveur.

Windsurf

  1. Ouvrez Windsurf et accédez à l'assistant Cascade.
  2. Cliquez sur l'icône MCP, puis sur Configurer pour ouvrir le fichier de configuration.
  3. Ajoutez la configuration suivante, remplacez les variables d'environnement par vos valeurs et enregistrez :
            {
              "mcpServers": {
                "bigquery": {
                  "command": "./PATH/TO/toolbox",
                  "args": ["--prebuilt","bigquery","--stdio"],
                  "env": {
                    "BIGQUERY_PROJECT": "PROJECT_ID"
                  }
                }
              }
            }
            

Remarque : La variable d'environnement BIGQUERY_PROJECT spécifie l'ID de projet Google Cloud par défaut que MCP Toolbox doit utiliser. Toutes les opérations BigQuery, comme l'exécution de requêtes, sont effectuées dans ce projet.

Utiliser les outils

Votre outil d'IA est désormais connecté à BigQuery à l'aide de MCP. Essayez de demander à votre assistant IA de lister des tables, d'en créer une ou de définir et d'exécuter d'autres instructions SQL.

Les outils suivants sont à la disposition du LLM :

  • analyze_contribution : effectue une analyse des contributions, également appelée analyse des principaux facteurs.
  • ask_data_insights : effectuer des analyses de données, obtenir des insights ou répondre à des questions complexes sur le contenu des tables BigQuery.
  • execute_sql : exécute une instruction SQL.
  • forecast : données de séries temporelles de prévision.
  • get_dataset_info : obtenir les métadonnées de l'ensemble de données.
  • get_table_info : obtenir les métadonnées de la table.
  • list_dataset_ids : liste les ensembles de données.
  • list_table_ids : liste les tables.
  • search_catalog : recherchez une table en langage naturel.