Integration · Virksomhedsdata

Forbind Claude og ChatGPT med Google BigQuery

Stil din AI et spørgsmål om jeres data, og lad den skrive og køre SQL'en i BigQuery. Den kan vise dine projekter, datasæt og tabeller, læse en tabels skema før den forespørger, vise rækker og følge op på jobs, der tager tid. Den kan også oprette datasæt og tabeller, indsætte rækker og rette beskrivelser og labels, hvis du slår de værktøjer til.

Forbind Google BigQuery gratis

Gratis plan uden kreditkort. Det tager cirka et minut.

Prøv at spørge

“Hvilke tabeller ligger i salgsdatasættet, og hvilke kolonner har orders?”
AI'en viser tabeller og views i datasættet og læser derefter skema, antal rækker og størrelse for tabellen orders.
“Hvor meget omsatte vi for pr. måned i år?”
Den tjekker tabellens skema, skriver en GoogleSQL-forespørgsel med en månedlig sum og kører den i dit projekt.
“Hvor mange data ville den forespørgsel scanne, før jeg kører den?”
Den kører forespørgslen som dry run, der anslår de scannede bytes uden at køre den.

Det kan din AI

Forespørgsler og resultater

Kør SQL med dry run eller et loft over fakturerede bytes, hent resultater side for side, og læs eller annullér jobs.

Datasæt og tabeller

Gennemse projekter, datasæt, tabeller, views og gemte rutiner, læs skemaer og se rækker.

Opret og ret

Opret datasæt og tabeller, indsæt rækker, ret beskrivelser, labels og kolonner, og slet tabeller.

“Vis mig de første 20 rækker i tabellen events.”
Den læser rækkerne direkte fra tabellen uden at køre en forespørgsel.
“Fejlede nattens forespørgsler?”
Den viser de seneste jobs i projektet filtreret på status og læser status og fejl for det job, du vælger.
“Opret en tabel ved navn leads i marketingdatasættet med name, email og created_at.”
Den opretter en tom tabel med de kolonner. Bagefter kan der indsættes rækker med insert_rows.

18 værktøjer til Google BigQuery

Værktøjerne er slået til, når du forbinder. Du kan slå dem fra enkeltvis eller kræve din godkendelse, før de kører.

cancel_jobSletterAsk BigQuery to cancel a running job by `projects_id` and `jobs_id`. Work it already did is not undone.
create_datasetÆndrer dataCreate a new empty dataset in project `projects_id`. Set the dataset ID in `dataset_reference`, plus `location` and `description`.
create_tableÆndrer dataCreate a new empty table in a dataset by `projects_id` and `datasets_id`. Put the table ID in `body.tableReference` and the columns in `body.schema`.
delete_tableSletterPermanently delete a table and all its data by `projects_id`, `datasets_id` and `tables_id`. This cannot be undone once the time-travel window passes.
get_datasetGet one dataset's details by `projects_id` and `datasets_id`, including location, description, labels and access settings.
get_jobGet one job's status, statistics and any errors by `projects_id` and `jobs_id`.
get_query_resultsGet the results of a query job by `projects_id` and `queries_id` (the job ID from run_query), page by page. Use when run_query returned before the query finished.
get_routineGet one routine's definition and arguments by `projects_id`, `datasets_id` and `routines_id`.
get_tableGet one table's details by `projects_id`, `datasets_id` and `tables_id`, including its column schema, row count and size. Check this before writing a query.
insert_rowsÆndrer dataStream new rows into a table by `projects_id`, `datasets_id` and `tables_id`; pass `rows` as a list of objects with a `json` field holding each row.
list_datasetsList the datasets in a project (`projects_id`). Use `filter` to narrow by label and `all` to include hidden datasets.
list_jobsList recent BigQuery jobs (queries, loads, exports) in project `projects_id`, filtered by `state_filter` or creation time.
list_routinesList the saved routines (user-defined functions and stored procedures) in a dataset by `projects_id` and `datasets_id`.
list_tablesList the tables and views in a dataset by `projects_id` and `datasets_id`.
preview_table_rowsRead rows straight from a table by `projects_id`, `datasets_id` and `tables_id`, optionally only `selected_fields` and from `start_index`. Free and fast for a quick look; use run_query to filter or aggregate.
run_queryÆndrer dataRun a SQL `query` (GoogleSQL by default) in project `projects_id` and return the results if it finishes within `timeout_ms`. Queries are billed by bytes scanned; set `dry_run` to estimate cost first, or `maximum_bytes_billed` to cap it. Statements like INSERT, UPDATE, DELETE or DROP change data permanently.
update_datasetÆndrer dataUpdate a dataset's description, labels, friendly name or default expiration by `projects_id` and `datasets_id`. Only the fields you pass change.
update_tableÆndrer dataUpdate a table's description, labels, expiration or add columns by `projects_id`, `datasets_id` and `tables_id`. Only the fields you pass in `body` change.

Klar i tre trin

1
Vælg systemet
Opret en gratis PipMCP-konto, og vælg Google BigQuery på listen.
2
Indsæt din nøgle
Indsæt OAuth client ID og client secret fra dit eget Google Cloud-projekt samt ID'et på det projekt, der rummer dine data, og log derefter ind med Google én gang. I Google Cloud console opretter eller vælger du et projekt og slår BigQuery API til. Sæt OAuth consent screen op, gå til Credentials > Create credentials > OAuth client ID, vælg Web application, og tilføj redirect-URI'en https://pipmcp.com/oauth/callback.
3
Tilføj linket i din AI
Du får et personligt MCP-link. Tilføj det i Claude, ChatGPT eller Cursor:
Klik på dit navn, og vælg Settings › Connectors › Add custom connector. Indsæt dit link som Remote MCP server URL. Slå det til fra +-menuen i en chat.

Spørgsmål

Hvad kan AI'en gøre i Google BigQuery?

Den kan vise projekter, datasæt, tabeller, rutiner og jobs, læse tabelskemaer, vise rækker og køre SQL-forespørgsler. Den kan oprette datasæt og tabeller, indsætte rækker, rette tabeller og datasæt, annullere jobs og slette tabeller, hvis du slår de værktøjer til.

Kan AI'en se mine Google BigQuery-oplysninger?

Nej. Dine Google BigQuery-oplysninger gemmes krypteret og vises aldrig for AI'en. Når du har gemt dem, bliver de ikke vist igen, heller ikke for dig. AI'en ser kun resultaterne af de værktøjer, den bruger.

Kan jeg styre, hvad AI'en må?

Ja. Du vælger, hvilke værktøjer der er slået til, så du kan starte med kun at gennemse og se rækker. En SQL-sætning som DELETE eller DROP ændrer data permanent, og sletning af en tabel fjerner den og dens data. Derfor kan de handlinger kræve din godkendelse, før de udføres, og alle kald bliver logget.

Virker det med ChatGPT?

Ja. I ChatGPT går du til Settings › Apps & Connectors › Advanced og slår Developer mode til. Derefter tilføjer du dit PipMCP-link. Developer mode kræver et betalt ChatGPT-abonnement: Plus, Pro, Business eller Enterprise. Samme link virker også i Claude (Settings › Connectors › Add custom connector), Cursor og andre MCP-klienter.

Hvad koster det?

Google BigQuery forbindes med OAuth, og denne OAuth-forbindelse kræver PipMCP Pro. PipMCP har også en gratis plan uden betalingskort, men den dækker ikke denne forbindelse. På de betalte planer betaler du pr. gennemført opgave. Du skal også selv have en Google BigQuery-konto.

Kommer AI'ens forespørgsler med på min BigQuery-regning?

Forespørgslerne kører i dit eget Google Cloud-projekt, og BigQuery afregner dem efter scannede bytes. AI'en kan lave et dry run for at anslå mængden først eller sætte et loft over fakturerede bytes, så forespørgslen stopper i stedet for at scanne mere. Når den viser rækker fra en tabel, læser den direkte uden at køre en forespørgsel.