L'IA générative s'impose peu à peu dans le quotidien des équipes : pilotage des systèmes, analyse et interrogation des données. Ce qui a démarré avec la complétion de code et les assistants conversationnels gagne désormais l'infrastructure, les opérations et les systèmes de données. Les bases de données ne font pas exception. Les équipes sont de plus en plus nombreuses à expérimenter des interfaces en langage naturel pour interroger les données, explorer les schémas et faciliter l'analyse.
Pour autant, les bases de données restent parmi les composants les plus sensibles et les plus critiques sur le plan opérationnel. Les exposer directement à des prompts d'IA en texte libre soulève de vraies questions d'exactitude, de sécurité et de contrôle. À mesure que l'IA se rapproche des systèmes de production, l'interaction entre les modèles et les bases de données réclame une structure plus solide qu'une simple génération SQL pilotée par prompt.
MCP Toolbox for Databases est un projet open source de Google qui répond à ce besoin. Il offre aux outils d'IA un moyen structuré, fondé sur un protocole, d'interagir avec les bases de données via des opérations bien définies plutôt que par des prompts en texte brut. MCP Toolbox propose un cadre indépendant de la base de données pour l'interaction avec les outils d'IA, la prise en charge de chaque base passant par des outils MCP dédiés. Ces outils peuvent être des intégrations préconçues ou des implémentations sur mesure, et s'utilisent directement avec les extensions Gemini CLI. Dans cet article, AlloyDB sert d'exemple compatible PostgreSQL. Le code source et la documentation du projet sont disponibles sur GitHub : https://github.com/googleapis/genai-toolbox
Introduction : l'intérêt de MCP Toolbox for Databases
Les grands modèles de langage interviennent de plus en plus autour des bases de données. Les développeurs leur demandent d'écrire du SQL, d'expliquer un schéma ou de répondre à des questions analytiques. En pratique, beaucoup de ces flux reposent encore sur une simple génération texte-vers-SQL : le modèle produit une requête à partir d'un prompt, en espérant qu'elle corresponde au schéma et aux données réels.
Cette approche convient à de petites démonstrations, mais ses limites apparaissent vite. Le modèle a souvent une connaissance partielle du schéma, aucune visibilité sur les permissions et aucune conscience de la façon dont une requête est exécutée. Du point de vue de la base de données, il devient difficile de faire confiance aux résultats ou d'intégrer ces outils en toute sécurité dans des environnements réels.
Le Model Context Protocol, ou MCP, adopte une autre approche. Plutôt que de demander au modèle de deviner, MCP permet aux outils d'IA d'interagir avec les systèmes via des opérations explicites et bien définies. Une base de données peut exposer comme outils des fonctionnalités telles que lister les tables, décrire les schémas, exécuter des requêtes ou récupérer des plans d'exécution. Le client d'IA appelle ces outils et travaille avec des résultats réels, et non avec des suppositions.
MCP Toolbox for Databases est l'implémentation open source de cette idée par Google. Elle expose les fonctionnalités de la base de données via MCP et fournit un cadre indépendant de la base de données pour l'interaction avec les outils d'IA, la prise en charge spécifique de chaque base étant assurée par des outils MCP dédiés. Dans ce tutoriel, AlloyDB sert d'exemple compatible PostgreSQL. Chaque opération est traitée comme une invocation d'outil concrète, ce qui rend les interactions plus prévisibles, observables et plus simples à contrôler.
Dans cet article, je présente une mise en place concrète avec AlloyDB pour PostgreSQL et Gemini CLI. L'accent est mis sur le résultat en pratique. Nous explorons un schéma de base de données sans écrire de SQL, répondons à des questions métier en langage naturel appuyées par de vraies requêtes, et examinons la façon dont ces requêtes sont exécutées. L'objectif n'est pas de promouvoir l'automatisation, mais de montrer comment MCP transforme l'interaction entre les outils d'IA et les bases de données, d'une manière compréhensible et fiable pour les ingénieurs base de données.
Vue d'ensemble de l'architecture : Gemini CLI, MCP Toolbox et AlloyDB
Avant d'examiner les requêtes et les exemples en détail, il est utile de comprendre comment les composants de cette configuration s'articulent. Plusieurs éléments entrent en jeu, mais l'architecture globale reste simple et délibérément organisée en couches.
À haut niveau, Gemini CLI joue le rôle d'interface utilisateur. C'est là que les prompts sont saisis et les réponses affichées. Lorsqu'un prompt concerne la base de données, Gemini n'interagit pas directement avec AlloyDB : il s'appuie sur MCP pour découvrir et invoquer les fonctionnalités de la base de manière structurée.
L'intégration AlloyDB pour Gemini CLI embarque MCP Toolbox for Databases. Dans cette configuration, MCP Toolbox s'exécute implicitement comme composant de l'extension Gemini CLI. Il n'y a pas de processus serveur MCP distinct à installer ou à gérer lorsqu'on utilise Gemini CLI avec l'extension AlloyDB. Pour une connexion depuis d'autres IDE ou clients MCP, MCP Toolbox s'exécute en général comme serveur autonome. Au démarrage, Gemini CLI charge l'extension AlloyDB, qui enregistre les serveurs MCP et expose un ensemble d'outils dédiés à la base de données.
Ces outils se répartissent en deux grandes catégories. La première couvre les opérations administratives et d'infrastructure, comme lister les clusters ou les instances. La seconde porte sur les opérations au niveau de la base : introspection du schéma, exécution de requêtes et métadonnées de performance. Chaque opération est exposée comme un outil distinct avec une entrée et une sortie bien définies.
Lorsqu'un prompt nécessite une interaction avec la base, Gemini sélectionne l'outil MCP approprié et l'invoque. Le serveur MCP exécute la requête sur AlloyDB et renvoie des résultats structurés. Gemini s'en sert ensuite pour formuler une réponse en langage naturel. Le modèle ne devine pas les détails du schéma et n'invente pas de résultats : il travaille avec des données réelles renvoyées par des appels d'outils explicites.
L'authentification et l'autorisation sont gérées en dehors du flux des prompts. L'accès aux API Google Cloud passe par les Application Default Credentials, qui associent l'identité de l'utilisateur local aux permissions IAM. L'accès à la base de données utilise les identifiants PostgreSQL standard. AlloyDB reste un système standard compatible PostgreSQL. MCP ne change pas le fonctionnement de la base de données ; il change la façon dont les outils d'IA interagissent avec elle.
La configuration présentée ici suit l'approche d'intégration AlloyDB documentée par Google, qui décrit comment Gemini CLI utilise MCP Toolbox pour se connecter à des instances AlloyDB : https://docs.cloud.google.com/alloydb/docs/connect-ide-using-mcp-toolbox.
Authentification sécurisée et contrôle d'accès avec ADC
L'authentification est un élément essentiel de cette configuration, même si elle reste discrète une fois mise en place. Gemini CLI et MCP Toolbox s'authentifient auprès de Google Cloud via les Application Default Credentials, communément appelées ADC. Les Application Default Credentials offrent un moyen standard, pour les outils et applications locaux, d'obtenir des identifiants Google Cloud à partir de l'identité de l'utilisateur et de l'environnement configuré.
ADC permet aux outils locaux de s'authentifier auprès des API Google Cloud avec l'identité du développeur. Aucune clé d'API ni fichier de compte de service à embarquer. Les permissions sont contrôlées via les rôles IAM standard, qui déterminent les opérations d'infrastructure que les outils MCP sont autorisés à effectuer.
L'accès à la base de données est géré séparément. L'exécution SQL repose sur l'authentification PostgreSQL standard avec un utilisateur de base de données. Cette séparation permet de gérer indépendamment les permissions cloud et les permissions de la base, en ligne avec le mode de fonctionnement de la plupart des équipes.
Ce modèle évite d'embarquer des secrets dans les prompts ou les fichiers de configuration. Il rend également les actions auditables grâce à la journalisation cloud et base de données déjà en place. Pour des flux base de données assistés par IA, cette séparation entre identité, autorisation et exécution est essentielle.
Introspection de la base de données sans écrire de SQL
Une fois l'environnement en place, la première fonctionnalité utile à tester est l'introspection de la base de données. Plutôt que de s'appuyer sur des connaissances déduites, MCP permet à la base d'exposer ses métadonnées directement via des outils.
Un simple prompt demandant un aperçu de la base de données déclenche l'opération MCP database_overview. Celle-ci renvoie des informations en temps réel : version du moteur, durée de fonctionnement (uptime) et statistiques de connexion.
L'étape suivante est la découverte du schéma. Demander à lister toutes les tables conduit Gemini à invoquer l'outil MCP approprié, qui interroge directement les catalogues système.
Comprendre le schéma et ses relations
Une fois la découverte de base du schéma disponible, comprendre les relations entre les tables devient déterminant. C'est là que beaucoup d'approches en langage naturel achoppent, faute d'accès direct aux métadonnées.
Avec MCP, Gemini peut décrire une table en interrogeant directement le schéma de la base. Dans cet exemple, la table orders est décrite avec ses colonnes, sa clé primaire et ses relations de clés étrangères.
Comme ces informations proviennent directement de la base, elles restent exactes au fil de l'évolution du schéma. Ce niveau de connaissance du schéma est un prérequis pour générer des requêtes analytiques correctes.
Du langage naturel à l'analyse SQL
Une fois la connaissance du schéma assurée, des questions analytiques de plus haut niveau peuvent recevoir une réponse en langage naturel. Dans cette configuration, les requêtes en langage naturel sont traduites en opérations SQL explicites exécutées via les outils MCP.
Le premier exemple identifie les cinq meilleurs clients par valeur totale de commande. Gemini génère une requête SQL qui joint les clients, les commandes et les détails de commandes, agrège le chiffre d'affaires et trie les résultats. Le SQL est exécuté directement sur AlloyDB.
Un second exemple introduit une requête plus complexe, riche en jointures, qui calcule le chiffre d'affaires par produit et par fournisseur.
Le point clé, c'est la transparence. Le SQL généré est visible, l'exécution est réelle et les résultats proviennent directement de la base de données.
Plans d'exécution et analyse de la performance
Au-delà des résultats, comprendre comment une requête est exécutée est essentiel dans des systèmes réels. MCP peut faire remonter les plans d'exécution et les métadonnées associées.
Lorsqu'on lui demande d'expliquer comment une requête est exécutée, Gemini invoque un outil MCP qui récupère le plan d'exécution depuis AlloyDB. La base génère le plan via sa logique PostgreSQL habituelle, et Gemini l'explique en langage naturel.
Sur de petits jeux de données de démonstration, les scans séquentiels et les jointures par hachage sont attendus. Sur des volumes plus importants, le même flux peut mettre en évidence l'utilisation des index, l'exécution parallèle et les pistes d'optimisation. MCP n'optimise pas les requêtes automatiquement : il aide à interpréter ce que la base fait déjà.
En quoi MCP Toolbox diffère du SQL généré par prompt
Le SQL classiquement généré par prompt repose sur les suppositions du modèle quant aux détails du schéma et à la structure de la requête. MCP remplace cette approche par des opérations explicites, adossées à des outils.
Comme les informations de schéma, l'exécution des requêtes et les métadonnées de performance proviennent directement de la base, les résultats sont plus simples à valider et à analyser. Les flux fondés sur MCP sont ainsi mieux adaptés aux environnements réels, où l'exactitude et le contrôle priment.
Quand utiliser MCP Toolbox
MCP Toolbox est particulièrement adapté à l'exploration de schémas, à l'analyse, à la productivité des développeurs et à l'analyse assistée des requêtes. Il ne remplace pas les chemins applicatifs transactionnels ni l'automatisation sans garde-fous. Sa force est de rendre les interactions IA avec les bases de données observables et ancrées dans des opérations réelles.
Ces exemples se concentrent sur des flux d'exploration et d'analyse. En production, les contrôles d'accès, les permissions et les garde-fous opérationnels doivent s'appliquer comme pour toute autre interaction avec la base de données.
MCP Toolbox for Databases marque une avancée concrète dans la façon dont l'IA générative peut interagir avec les bases de données de production. Plutôt que de s'en remettre à des suppositions issues de prompts, il introduit un modèle structuré, piloté par des outils, où l'IA travaille avec des métadonnées de schéma réelles, exécute de vraies requêtes et fait remonter de vrais plans d'exécution. Combinée à AlloyDB et Gemini CLI, cette approche rend l'exploration et l'analyse de bases de données assistées par IA plus transparentes, plus auditables et alignées sur le mode de fonctionnement des équipes base de données.
À mesure que les organisations expérimentent les interfaces en langage naturel pour accéder aux données, le modèle d'interaction sous-jacent compte. MCP fournit un socle qui privilégie l'exactitude, le contrôle et l'observabilité, des qualités essentielles dès lors que l'IA se rapproche des systèmes de données critiques.
Si vous cherchez à introduire en toute sécurité des flux assistés par IA dans votre environnement base de données, ou à évaluer des intégrations basées sur MCP sur Google Cloud, DoiT peut vous accompagner. Notre équipe d'architectes cloud et de spécialistes des données collabore avec des organisations dans le monde entier pour concevoir, valider et optimiser des plateformes de données modernes, du proof of concept jusqu'à la production.
Discutons ensemble de la place que MCP, AlloyDB et l'IA générative peuvent occuper dans votre stratégie data, et de la façon de la concrétiser en gardant sécurité, fiabilité et cohérence avec vos objectifs opérationnels.
MCP Toolbox offre aux outils d'IA un moyen structuré d'interagir avec les bases de données sans s'en remettre aux suppositions. Combiné à Gemini CLI et AlloyDB, il rend possible des flux en langage naturel transparents, auditables et alignés sur les fondamentaux des bases de données.
Plutôt que d'abstraire les bases de données, MCP les expose d'une manière que les outils d'IA peuvent exploiter en toute sécurité. Pour les équipes qui cherchent à intégrer l'IA générative dans leurs flux de données, cette approche ouvre une voie pragmatique.