AI & 機械学習

AI を活用した開発を実現する、Google Cloud データベースへの新たな MCP インテグレーション

2025年6月24日

Hamsa Buvaraghan

Product Manager, Google Cloud Databases

Prerna Kakkar

Software Engineer, Google Cloud Databases

Try Gemini 2.5

Our most intelligent model is now available on Vertex AI

Try now

※この投稿は米国時間 2025 年 6 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

先月の Google Cloud Next 2025 では、生成 AI エージェントとデータベースのスムーズな接続を実現し、企業の中核的なワークフローを自動化するデータベース向け MCP ツールボックスを発表しました。データベース向け MCP ツールボックス（「ツールボックス」）は、デベロッパーが生成 AI エージェントを企業データに簡単に接続できるようにするオープンソースの Model Context Protocol（MCP）サーバーです。BigQuery、AlloyDB（AlloyDB Omni を含む）、Cloud SQL for MySQL、Cloud SQL for PostgreSQL、Cloud SQL for SQL Server、Spanner のほか、PostgreSQL、MySQL、SQLite などのオープンソースのセルフマネージドデータベースに対応しています。また、Neo4j、Dgraph などのベンダーが提供するデータベースにも対応しており、その数は現在も増え続けています。

このたび、AI を活用した開発を支援するために特別に設計された機能がツールボックスに追加されたことをお知らせします。これにより、ツールボックスを使って IDE 上でデータベースを AI アシスタントに簡単に接続できるようになりました。

MCP は、Anthropic が作成した新しいオープン標準です。標準化されたプロトコルを通じて AI システムとデータソースを接続するもので、カスタムインテグレーションを必要とする断片的なインテグレーションに取って代わります。ツールボックスでは、MCP 対応の AI アシスタント（Claude Code、Cursor、Windsurf、Cline など）を使用して、データベースのクエリ、新しいアプリケーションのスキーマの設計、データモデルの変更時のコードのリファクタリング、統合テスト用データの生成、データベース内のデータの探索など、さまざまな用途に合わせたアプリケーションコードを記述できます。

今回は、これらの新機能と、その利用方法についてご紹介します。

MCP と Google Cloud データベースの利用

Claude Code、Cursor、Windsurf などの AI ネイティブ IDE や VSCode などの定番の IDE を使用して、コード生成、コードリファクタリング、コード補完、自動テスト、ドキュメント作成といった AI 支援タスクを実行する際に、最も効率的にデータに接続する方法を探すことがあるかもしれません。MCP ツールボックスと Google Cloud データベースで効率的なデータ接続を実現する方法を見てみましょう。

ツールボックスの新しい事前構築済みツールを使用すると、任意の IDE 内から直接 Cloud SQL、AlloyDB、Spanner、BigQuery、またはセルフマネージドの PostgreSQL データベースと統合できます。すべてのアプリケーションがなんらかの形でデータを管理しているため、ツールボックスの新しい機能は、ソフトウェア開発プロセスを自動化する新たな機会となります。

データベース接続による AI を活用した開発

開発者がこれらの新しいツールを使用して作業を加速させる方法を見てみましょう。

最近、e コマースアプリケーションの保守を担当する開発チームに加わったサラは、ソースコードと開発用の Google Cloud SQL for PostgreSQL データベースにアクセスし、VS Code IDE と統合可能なオープンソースの AI アシスタントである Cline を使用します。ツールボックスをすばやくセットアップし、Cline とデータベースに接続しました。

次に、サラはデータベースを調べて、データの構造とクエリの方法を理解します。SQL の構文を学んだり、PostgreSQL の詳細を覚えたりする必要はありません。Cline がユーザーに代わってデータベースに関するメタデータを検索し、データベースにシームレスに接続してクエリを実行してくれます。簡単な言葉で質問するだけで、答えが返ってくるのです。

これまでは、答えを得るために複雑な SQL クエリを記述し、特定のテーブルスキーマを覚えておく必要がありました。たとえば、過去 3 件の注文を検索する場合、正しいテーブルを把握し、SELECT * のような SQL クエリを記述する必要がありました。また、商品カテゴリと購入日を含む未出荷の注文数のデータを入手したい場合は、注文テーブルと商品テーブルを結合する別の SQL クエリを記述しなければなりませんでした。このように、SQL クエリはすぐに複雑になります。

今では、簡単な自然言語プロンプトを使用するだけで、残りの作業は AI が処理してくれます。

自然言語プロンプト

読み込んでいます...

数分後、サラはデータベース内のデータについて十分に理解できました。これで最初の仕事に取りかかる準備は万端です。

次に、サラのチームはベンダー管理機能をシステムに統合する仕事を任されました。そこでサラは Cline に、ID、会社名、住所、市区町村、都道府県、メールアドレス、電話番号の列を持つ新しい「ベンダー」テーブルを作成するよう指示しました。また、「在庫」テーブルにベンダー ID 列を追加し、適切なインデックスを設定する必要もあります。この場合も、これらのタスクのために SQL やコードを記述する必要はありません。指示するだけで、Cline がデータベースに変更を加える方法を把握し、ツールボックスを介してそれを実行します。

これまではベンダー情報の追加などの変更を実装する場合、一連の手動による更新が必要でした。つまり、テーブル作成用の SQL の記述（必要な列をすべて含む「ベンダー」テーブルの作成）、既存のテーブルの変更（「在庫」テーブルへのベンダー ID 列とインデックスの追加）、アプリケーションコードのモデルクラスの更新を行い、最後に InventoryDAO テストが有効な状態のまま新しい構造をカバーするようにしなければなりませんでした。

今では、簡単な自然言語コマンドをいくつか使用するだけで、これらの作業をすべて処理できます。簡単な自然言語プロンプトを使って AI に指示するだけです。

自然言語プロンプト

読み込んでいます...

Cline はツールボックスを介してデータベースにアクセスできるため、修正されたスキーマの完全なコンテキストを把握し、それに応じてコードを変更できます。最後に、サラは Cline に InventoryDAO クラスのテストを更新するように指示します。テストに合格したら、変更内容を確認してチェックインします。