Integration · Unternehmensdaten

Claude & ChatGPT mit Google BigQuery verbinden

Stelle deiner KI eine Frage zu deinen Daten und lass sie die passende SQL-Abfrage in BigQuery schreiben und ausführen. Sie kann deine Projekte, Datasets und Tabellen auflisten, vor der Abfrage das Schema einer Tabelle lesen, Zeilen in der Vorschau anzeigen und länger laufende Jobs weiterverfolgen. Wenn du die entsprechenden Tools aktivierst, kann sie außerdem Datasets und Tabellen erstellen, Zeilen per Streaming einfügen sowie Beschreibungen und Labels aktualisieren.

Google BigQuery kostenlos verbinden

Kostenloser Tarif, keine Kreditkarte erforderlich. Dauert etwa eine Minute.

Fragen Sie zum Beispiel

“Welche Tabellen enthält das Dataset sales und welche Spalten hat orders?”
Die KI listet die Tabellen und Ansichten im Dataset auf und liest anschließend das Schema, die Zeilenanzahl und die Größe der Tabelle orders.
“Wie viel Umsatz haben wir dieses Jahr pro Monat verbucht?”
Sie prüft das Tabellenschema, schreibt eine GoogleSQL-Abfrage mit einer monatlichen Summe und führt sie in deinem Projekt aus.
“Wie viele Daten würde diese Abfrage scannen, bevor ich sie ausführe?”
Sie führt einen Testlauf der Abfrage durch, der die gescannten Bytes schätzt, ohne die Abfrage auszuführen.

Was Ihre KI tun kann

Abfragen und Ergebnisse

Führe SQL-Abfragen mit einem Testlauf oder einer Obergrenze für abgerechnete Bytes aus, rufe Ergebnisse seitenweise ab und lies Jobs aus oder brich sie ab.

Datasets und Tabellen

Durchsuche Projekte, Datasets, Tabellen, Ansichten und gespeicherte Routinen, lies Schemas und sieh dir Zeilen in der Vorschau an.

Erstellen und aktualisieren

Erstelle Datasets und Tabellen, füge Zeilen per Streaming ein, aktualisiere Beschreibungen, Labels und Spalten und lösche Tabellen.

“Zeig mir die ersten 20 Zeilen der Tabelle events.”
Sie liest Zeilen direkt aus der Tabelle, ohne eine Abfrage auszuführen.
“Sind die Abfragejobs von letzter Nacht fehlgeschlagen?”
Sie listet die jüngsten Jobs im Projekt nach Status gefiltert auf und liest den Status und die Fehler des von dir ausgewählten Jobs.
“Erstelle im Dataset marketing eine Tabelle namens leads mit name, email und created_at.”
Sie erstellt eine leere Tabelle mit diesem Spaltenschema. Anschließend können Zeilen mit insert_rows per Streaming eingefügt werden.

18 Tools für Google BigQuery

Diese Tools werden beim Verbinden aktiviert. Sie können jedes einzelne deaktivieren oder festlegen, dass es vor der Ausführung Ihre Freigabe benötigt.

cancel_jobLöscht DatenFordere BigQuery anhand von `projects_id` und `jobs_id` auf, einen laufenden Job abzubrechen. Bereits ausgeführte Arbeit wird nicht rückgängig gemacht.
create_datasetÄndert DatenErstelle ein neues leeres Dataset im Projekt `projects_id`. Lege die Dataset-ID in `dataset_reference` sowie `location` und `description` fest.
create_tableÄndert DatenErstelle anhand von `projects_id` und `datasets_id` eine neue leere Tabelle in einem Dataset. Gib die Tabellen-ID in `body.tableReference` und die Spalten in `body.schema` an.
delete_tableLöscht DatenLösche anhand von `projects_id`, `datasets_id` und `tables_id` eine Tabelle und alle ihre Daten dauerhaft. Nach Ablauf des Zeitreisefensters lässt sich dies nicht mehr rückgängig machen.
get_datasetRufe anhand von `projects_id` und `datasets_id` die Details eines einzelnen Datasets ab, einschließlich Standort, Beschreibung, Labels und Zugriffseinstellungen.
get_jobRufe anhand von `projects_id` und `jobs_id` den Status, die Statistiken und etwaige Fehler eines einzelnen Jobs ab.
get_query_resultsRufe die Ergebnisse eines Abfragejobs anhand von `projects_id` und `queries_id` (der Job-ID aus run_query) seitenweise ab. Verwende dieses Tool, wenn run_query zurückgekehrt ist, bevor die Abfrage abgeschlossen war.
get_routineRufe anhand von `projects_id`, `datasets_id` und `routines_id` die Definition und die Argumente einer einzelnen Routine ab.
get_tableRufe anhand von `projects_id`, `datasets_id` und `tables_id` die Details einer einzelnen Tabelle ab, einschließlich Spaltenschema, Zeilenanzahl und Größe. Prüfe diese Angaben, bevor du eine Abfrage schreibst.
insert_rowsÄndert DatenFüge anhand von `projects_id`, `datasets_id` und `tables_id` neue Zeilen per Streaming in eine Tabelle ein; übergib `rows` als Liste von Objekten, bei denen jeweils ein `json`-Feld die Zeile enthält.
list_datasetsListe die Datasets in einem Projekt (`projects_id`) auf. Verwende `filter`, um nach Label einzugrenzen, und `all`, um ausgeblendete Datasets einzuschließen.
list_jobsListe die jüngsten BigQuery-Jobs (Abfragen, Ladevorgänge, Exporte) im Projekt `projects_id` auf, gefiltert nach `state_filter` oder Erstellungszeit.
list_routinesListe anhand von `projects_id` und `datasets_id` die gespeicherten Routinen (benutzerdefinierte Funktionen und gespeicherte Prozeduren) in einem Dataset auf.
list_tablesListe anhand von `projects_id` und `datasets_id` die Tabellen und Ansichten in einem Dataset auf.
preview_table_rowsLies anhand von `projects_id`, `datasets_id` und `tables_id` Zeilen direkt aus einer Tabelle, optional nur `selected_fields` und ab `start_index`. Kostenlos und schnell für einen ersten Einblick; verwende run_query zum Filtern oder Aggregieren.
run_queryÄndert DatenFühre eine SQL-Abfrage über `query` (standardmäßig GoogleSQL) im Projekt `projects_id` aus und gib die Ergebnisse zurück, falls sie innerhalb von `timeout_ms` abgeschlossen wird. Abfragen werden nach gescannten Bytes abgerechnet; setze `dry_run`, um die Kosten vorab zu schätzen, oder `maximum_bytes_billed`, um sie zu begrenzen. Anweisungen wie INSERT, UPDATE, DELETE oder DROP verändern Daten dauerhaft.
update_datasetÄndert DatenAktualisiere anhand von `projects_id` und `datasets_id` die Beschreibung, Labels, den Anzeigenamen oder die Standardablaufzeit eines Datasets. Nur die übergebenen Felder werden geändert.
update_tableÄndert DatenAktualisiere anhand von `projects_id`, `datasets_id` und `tables_id` die Beschreibung, Labels oder den Ablaufzeitpunkt einer Tabelle oder füge Spalten hinzu. Nur die in `body` übergebenen Felder werden geändert.

In drei Schritten einrichten

1
App auswählen
Erstellen Sie ein kostenloses PipMCP-Konto und wählen Sie Google BigQuery aus der App-Liste.
2
Schlüssel einfügen
Füge die OAuth-Client-ID und das Client-Secret aus deinem eigenen Google Cloud-Projekt sowie die ID des Projekts ein, das deine Daten enthält. Melde dich anschließend einmal mit Google an. Erstelle oder wähle in der Google Cloud-Konsole ein Projekt und aktiviere die BigQuery API. Richte den OAuth-Zustimmungsbildschirm ein und gehe dann zu Anmeldedaten > Anmeldedaten erstellen > OAuth-Client-ID. Wähle „Webanwendung“ und füge die Weiterleitungs-URI https://pipmcp.com/oauth/callback hinzu.
3
Link zu Ihrer KI hinzufügen
Sie erhalten einen persönlichen MCP-Link. Fügen Sie ihn in Claude, ChatGPT oder Cursor hinzu:
1. Klicken Sie auf Ihren Namen und dann auf Einstellungen › Konnektoren › Benutzerdefinierten Konnektor hinzufügen.
2. Fügen Sie Ihren Link als URL des Remote-MCP-Servers ein.
3. Aktivieren Sie den Konnektor über das +-Menü in einem Chat.

Fragen

Was kann die KI in Google BigQuery tun?

Sie kann Projekte, Datasets, Tabellen, Routinen und Jobs auflisten, Tabellenschemas lesen, Zeilen in der Vorschau anzeigen und SQL-Abfragen ausführen. Wenn du die entsprechenden Tools aktivierst, kann sie Datasets und Tabellen erstellen, Zeilen per Streaming einfügen, Tabellen und Datasets aktualisieren, Jobs abbrechen und Tabellen löschen.

Kann die KI meine Google BigQuery-Zugangsdaten sehen?

Nein. Deine Google BigQuery-Zugangsdaten werden verschlüsselt gespeichert und der KI niemals angezeigt. Nach dem Speichern werden sie nicht erneut angezeigt, auch dir nicht. Die KI sieht nur die Ergebnisse der Tools, die sie aufruft.

Kann ich steuern, was die KI tun darf?

Ja. Du wählst aus, welche Tools aktiviert sind, und kannst mit dem Durchsuchen und der Vorschau beginnen. Eine SQL-Anweisung wie DELETE oder DROP verändert Daten dauerhaft. Beim Löschen einer Tabelle werden die Tabelle und ihre Daten entfernt. Deshalb können diese Aktionen vor der Ausführung deine Zustimmung erfordern. Jeder Tool-Aufruf wird protokolliert.

Funktioniert das mit ChatGPT?

Ja. Gehe in ChatGPT zu Einstellungen › Apps & Connectors › Erweitert, aktiviere den Entwicklermodus und füge dann deinen PipMCP-Link hinzu. Der Entwicklermodus erfordert einen kostenpflichtigen ChatGPT-Tarif: Plus, Pro, Business oder Enterprise. Derselbe Link funktioniert auch in Claude (Einstellungen › Connectors › Benutzerdefinierten Connector hinzufügen), Cursor und anderen MCP-Clients.

Was kostet das?

Google BigQuery wird über OAuth verbunden. Diese OAuth-Verbindung erfordert den PipMCP Pro-Tarif. PipMCP bietet auch einen kostenlosen Tarif ohne Kreditkarte an, der diese Verbindung jedoch nicht enthält. Bei kostenpflichtigen Tarifen wird pro abgeschlossener Aufgabe abgerechnet. Außerdem benötigst du ein eigenes Google BigQuery-Konto.

Erhöhen die Abfragen der KI meine BigQuery-Kosten?

Abfragen werden in deinem eigenen Google Cloud-Projekt ausgeführt und von BigQuery nach gescannten Bytes abgerechnet. Die KI kann zunächst einen Testlauf durchführen, um die Byte-Anzahl zu schätzen, oder eine Obergrenze für abgerechnete Bytes festlegen, damit eine Abfrage abgebrochen wird, statt weitere Daten zu scannen. Die Zeilenvorschau liest direkt aus der Tabelle, ohne eine Abfrage auszuführen.