Conecte seu ambiente de desenvolvimento integrado ao BigQuery usando a MCP Toolbox

Neste guia, mostramos como usar a MCP Toolbox para bancos de dados e conectar sua instância do BigQuery a vários ambientes de desenvolvimento integrado (IDEs) e ferramentas para desenvolvedores. Ele usa o Protocolo de contexto do modelo (MCP), um protocolo aberto para conectar modelos de linguagem grandes (LLMs) a fontes de dados como o BigQuery. Assim, você pode executar consultas SQL e interagir com seu projeto diretamente nas ferramentas atuais.

Este guia demonstra o processo de conexão para os seguintes IDEs:

Antes de começar

  1. No console do Google Cloud , na página do seletor de projetos, selecione ou crie um projeto do Google Cloud .

  2. Verifique se o faturamento está ativado para seu projeto do Google Cloud .

  3. Ative a API BigQuery no Google Cloud projeto.

  4. Configure os papéis e as permissões necessárias para concluir essa tarefa. Você vai precisar da função Usuário do BigQuery (roles/bigquery.user), da função Leitor de dados do BigQuery (roles/bigquery.dataViewer) ou de permissões equivalentes do IAM para se conectar à instância.

  5. Configure as Credenciais padrão do aplicativo (ADC) para seu ambiente.

Instalar a MCP Toolbox

  1. Faça o download da versão mais recente da MCP Toolbox como um binário. Selecione o binário correspondente ao seu sistema operacional e à arquitetura da CPU. Use a versão V0.7.0 ou mais recente da caixa de ferramentas do MCP:

    linux/amd64

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

    Substitua VERSION pela versão da MCP Toolbox. Por exemplo, v0.7.0.

    macOS darwin/arm64

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

    Substitua VERSION pela versão da MCP Toolbox. Por exemplo, v0.7.0.

    macOS darwin/amd64

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

    Substitua VERSION pela versão da MCP Toolbox. Por exemplo, v0.7.0.

    windows/amd64

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

    Substitua VERSION pela versão da MCP Toolbox. Por exemplo, v0.7.0.

  2. Torne o binário executável:

    chmod +x toolbox

  3. Verifique a instalação:

    ./toolbox --version

Configurar o cliente MCP

Código do Claude


1. Instale o Claude Code.
2. Crie um arquivo .mcp.json na raiz do projeto, se ele não existir.
3. Adicione a configuração, substitua as variáveis de ambiente pelos seus valores e salve: 

{
  "mcpServers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

4. Reinicie o Claude Code para carregar as novas configurações. Quando ela é reaberta, a ferramenta indica que o servidor MCP configurado foi detectado.

Claude para computador


1. Abra o Claude para computador e acesse Configurações.
2. Na guia Desenvolvedor, clique em Editar configuração para abrir o arquivo de configuração.
3. Adicione a configuração, substitua as variáveis de ambiente pelos seus valores e salve: 

{
  "mcpServers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

4. Reinicie o Claude Desktop.
5. A nova tela de chat mostra um ícone de martelo (MCP) com o novo servidor MCP.


Cline


1. Abra a extensão Cline no VS Code e toque no ícone Servidores MCP.
2. Toque em Configurar servidores MCP para abrir o arquivo de configuração.
3. Adicione a seguinte configuração, substitua as variáveis de ambiente pelos seus valores e salve: 

{
  "mcpServers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

Um status ativo verde aparece depois que o servidor se conecta.

Cursor


1. Crie o diretório .cursor na raiz do projeto, se ele não existir.
2. Crie o arquivo .cursor/mcp.json, se ele não existir, e abra-o.
3. Adicione a seguinte configuração, substitua as variáveis de ambiente pelos seus valores e salve:

{
  "mcpServers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

4. Abra Cursor e navegue até Configurações > Configurações do cursor > MCP. Um status verde ativo aparece quando o servidor se conecta.

Visual Studio Code (Copilot)


1. Abra o VS Code e crie um diretório .vscode na raiz do projeto, se ele não existir.
2. Crie o arquivo .vscode/mcp.json, se ele não existir, e abra-o.
3. Adicione a seguinte configuração, substitua as variáveis de ambiente pelos seus valores e salve: 

{
  "servers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}
4. Atualize a janela do VS Code. A extensão compatível com MCP detecta automaticamente a configuração e inicia o servidor.

Windsurf


1. Abra o Windsurf e navegue até o assistente do Cascade.
2. Clique no ícone do MCP e em Configurar para abrir o arquivo de configuração.
3. Adicione a seguinte configuração, substitua as variáveis de ambiente pelos seus valores e salve: 

{
  "mcpServers": {
    "bigquery": {
      "command": "./PATH/TO/toolbox",
      "args": ["--prebuilt","bigquery","--stdio"],
      "env": {
        "BIGQUERY_PROJECT": "PROJECT_ID"
      }
    }
  }
}

Observação:a variável de ambiente BIGQUERY_PROJECT especifica o ID do projeto Google Cloud padrão para uso da caixa de ferramentas do MCP. Todas as operações do BigQuery, como a execução de consultas, são realizadas nesse projeto.

Usar as ferramentas

Sua ferramenta de IA agora está conectada ao BigQuery usando o MCP. Peça ao assistente de IA para listar tabelas, criar uma tabela ou definir e executar outras instruções SQL.

As seguintes ferramentas estão disponíveis para o LLM:

  • ask_data_insights: realiza análises de dados, gera insights ou responde a perguntas complexas sobre o conteúdo das tabelas do BigQuery.
  • execute_sql: executa uma instrução SQL.
  • forecast: prevê dados de série temporal.
  • get_dataset_info: recebe metadados do conjunto de dados.
  • get_table_info: recebe metadados da tabela
  • list_dataset_ids: lista conjuntos de dados
  • list_table_ids: listar tabelas