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

Gemini を今すぐお試しください

職場での AI 活用、その入り口に

今すぐ試す

※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。