Intégration · Données d’entreprise

Connecter Claude et ChatGPT à Google BigQuery

Posez une question à votre IA sur vos données et laissez-lui écrire et exécuter le SQL dans BigQuery. Elle peut lister vos projets, ensembles de données et tables, lire le schéma d'une table avant la requête, prévisualiser des lignes et suivre les jobs longs. Elle peut également créer des ensembles de données et des tables, charger des lignes par flux et mettre à jour les descriptions et étiquettes si vous activez ces outils.

Connecter Google BigQuery gratuitement

Offre gratuite, sans carte bancaire. Comptez environ une minute.

Essayez de demander

“Quelles sont les tables dans l'ensemble de données sales et quelles colonnes possède orders ?”
L'IA liste les tables et vues dans l'ensemble de données, puis lit le schéma de la table orders, ainsi que son nombre de lignes et sa taille.
“Combien de revenus avons-nous enregistrés par mois cette année ?”
Elle vérifie le schéma de la table, écrit une requête GoogleSQL avec un total mensuel et l'exécute dans votre projet.
“Quelle quantité de données cette requête scannerait avant que je ne l'exécute ?”
Elle exécute la requête en mode essai, ce qui estime les bytes scannés sans l'exécuter.

Ce que votre IA peut faire

Requêtes et résultats

Exécutez des requêtes SQL avec un essai ou une limite de bytes facturés, récupérez les résultats page par page et lisez ou annulez des jobs.

Ensembles de données et tables

Parcourez les projets, ensembles de données, tables, vues et routines enregistrées, lisez les schémas et prévisualisez des lignes.

Créer et mettre à jour

Créez des ensembles de données et des tables, chargez des lignes par flux, mettez à jour les descriptions, étiquettes et colonnes, et supprimez des tables.

“Montrez-moi les 20 premières lignes de la table events.”
Elle lit directement des lignes depuis la table sans exécuter une requête.
“Les jobs de requêtes d'hier ont-ils échoué ?”
Elle liste les jobs récents dans le projet filtrés par état et lit l'état et les erreurs du job que vous choisissez.
“Créez une table appelée leads dans l'ensemble de données marketing avec les colonnes name, email et created_at.”
Elle crée une table vide avec ce schéma de colonne. Des lignes peuvent ensuite être chargées par flux via insert_rows.

45 outils pour Google BigQuery

Ces outils sont activés lors de la connexion. Vous pouvez désactiver chacun d’eux ou exiger votre approbation avant son exécution.

cancel_jobSupprime des donnéesDemandez à BigQuery d'annuler un job en cours via `projects_id` et `jobs_id`. Ce qui a déjà été fait ne sera pas annulé.
create_datasetModifie des donnéesCréez un nouveau jeu de données vide dans le projet `projects_id`. Définissez l'ID du jeu de données dans `dataset_reference`, ainsi que `location` et `description`.
create_dataset_routineModifie des données
create_projectModifie des données
create_tableModifie des donnéesCréez une nouvelle table vide dans un jeu de données via `projects_id` et `datasets_id`. Placez l'ID de la table dans `body.tableReference` et les colonnes dans `body.schema`.
create_table_row_access_policies_batch_deleteVisible par d’autres
create_table_row_access_policyModifie des données
create_test_iam_permissionSupprime des données
create_test_iam_permission_bigquery_row_access_policies_test_iamSupprime des données
create_test_iam_permission_bigquery_tables_test_iam_permissionsSupprime des données
create_undeleteModifie des données
delete_dataset_modelSupprime des données
delete_dataset_routineSupprime des données
delete_job_deletesTransfère de l’argent
delete_project_datasetSupprime des données
delete_tableSupprime des donnéesSupprimez définitivement une table et toutes ses données via `projects_id`, `datasets_id` et `tables_id`. Cela ne peut pas être annulé une fois la fenêtre de voyage temporel passée.
delete_table_row_access_policySupprime des données
get_datasetObtenez les détails d'un ensemble de données en utilisant `projects_id` et `datasets_id`, y compris l'emplacement, la description, les étiquettes et les paramètres d'accès.
get_dataset_model
get_jobObtenez le statut, les statistiques et les erreurs d'une tâche en utilisant `projects_id` et `jobs_id`.
get_query_resultsObtenez les résultats d'une tâche de requête en utilisant `projects_id` et `queries_id` (l'ID de la tâche provenant de run_query), page par page. À utiliser lorsque run_query a retourné avant que la requête ne soit terminée.
get_routineObtenez la définition et les arguments d'une routine unique via `projects_id`, `datasets_id` et `routines_id`.
get_routine_iam_policyModifie des données
get_row_access_policy_iam_policyModifie des données
get_tableObtenez les détails d'une table unique via `projects_id`, `datasets_id` et `tables_id`, y compris son schéma de colonnes, le nombre de lignes et la taille. Vérifiez cela avant d'écrire une requête.
get_table_iam_policyModifie des données
get_table_row_access_policy
insert_rowsModifie des donnéesFluidez de nouvelles lignes dans une table via `projects_id`, `datasets_id` et `tables_id` ; passez `rows` sous forme de liste d'objets avec un champ `json` contenant chaque ligne.
list_datasetsListez les ensembles de données dans un projet (`projects_id`). Utilisez `filter` pour filtrer par étiquette et `all` pour inclure les ensembles de données cachés.
list_jobsListez les tâches BigQuery récentes (requêtes, chargements, exportations) dans le projet `projects_id`, filtrées par `state_filter` ou la date de création.
list_routinesListez les routines enregistrées (fonctions utilisateur définies et procédures stockées) dans un ensemble de données en utilisant `projects_id` et `datasets_id`.
list_tablesListez les tables et vues dans un ensemble de données en utilisant `projects_id` et `datasets_id`.
preview_table_rowsLisez des lignes directement depuis une table en utilisant `projects_id`, `datasets_id` et `tables_id`, optionnellement uniquement `selected_fields` et à partir de `start_index`. Gratuit et rapide pour un aperçu rapide ; utilisez run_query pour filtrer ou agréger.
run_queryModifie des donnéesExécutez une requête SQL `query` (GoogleSQL par défaut) dans le projet `projects_id` et retournez les résultats si elle se termine dans `timeout_ms`. Les requêtes sont facturées en fonction des bytes scannés ; définissez `dry_run` pour estimer le coût d'abord, ou `maximum_bytes_billed` pour le plafonner. Les instructions comme INSERT, UPDATE, DELETE ou DROP modifient les données de manière permanente.
search_dataset_models
search_project_accounts
search_projects_bigquery_jobs_list
search_table_row_access_policies
update_datasetModifie des donnéesMettez à jour la description, les étiquettes, le nom amical ou l'expiration par défaut d'un ensemble de données en utilisant `projects_id` et `datasets_id`. Seules les champs que vous passez sont modifiés.
update_dataset_modelModifie des données
update_dataset_routineModifie des données
update_routines_iam_policyModifie des données
update_tableModifie des donnéesMettez à jour la description, les étiquettes, l'expiration d'une table ou ajoutez des colonnes en utilisant `projects_id`, `datasets_id` et `tables_id`. Seules les champs que vous passez dans `body` sont modifiés.
update_table_row_access_policyModifie des données
update_tables_iam_policyModifie des données

Configuration en trois étapes

1
Choisissez l’application
Créez un compte PipMCP gratuit et sélectionnez Google BigQuery dans la liste des applications.
2
Collez votre clé
Collez l'ID du client OAuth et le secret du client provenant de votre propre projet Google Cloud, ainsi que l'ID du projet contenant vos données, puis connectez-vous une fois avec Google. Dans la console Google Cloud, créez ou choisissez un projet et activez l'API BigQuery. Configurez l'écran de consentement OAuth, puis allez dans Credentials > Créer des identifiants > ID du client OAuth, choisissez Application Web et ajoutez l'URI de redirection https://pipmcp.com/oauth/callback.
3
Ajoutez le lien à votre IA
Vous obtenez un lien MCP personnel. Ajoutez-le à Claude, ChatGPT ou Cursor :
1. Cliquez sur votre nom, puis sur Paramètres › Connecteurs › Ajouter un connecteur personnalisé.
2. Collez votre lien dans le champ URL du serveur MCP distant.
3. Activez-le depuis le menu + d’une conversation.

Questions

Que peut faire l'IA dans Google BigQuery ?

Elle peut lister les projets, ensembles de données, tables, routines et jobs, lire les schémas des tables, prévisualiser des lignes et exécuter des requêtes SQL. Elle peut créer des ensembles de données et des tables, charger des lignes par flux, mettre à jour des tables et des ensembles de données, annuler des jobs et supprimer des tables si vous activez ces outils.

L'IA voit-elle mes identifiants Google BigQuery ?

Non. Vos identifiants Google BigQuery sont chiffrés au repos et jamais montrés à l'IA. Une fois sauvegardés, ils ne sont plus affichés, même pas pour vous. L'IA ne voit que les résultats des outils qu'elle appelle.

Puis-je contrôler ce que l'IA est autorisée à faire ?

Oui. Vous choisissez quels outils sont activés, vous pouvez commencer par la navigation et les aperçus. Une instruction SQL comme DELETE ou DROP modifie les données de manière permanente ; supprimer une table enlève celle-ci et ses données, donc ces actions peuvent nécessiter votre approbation avant exécution. Chaque appel d'outil est journalisé.

Fonctionne-t-il avec ChatGPT ?

Oui. Dans ChatGPT, allez dans Paramètres › Applications et connecteurs › Avancé et activez le mode Développeur, puis ajoutez votre lien PipMCP. Le mode Développeur nécessite un abonnement payant ChatGPT : Plus, Pro, Business ou Entreprise. Le même lien fonctionne également dans Claude (Paramètres › Connecteurs › Ajouter un connecteur personnalisé), Cursor et d'autres clients MCP.

Quel est le coût ?

Google BigQuery se connecte via OAuth, et cette connexion nécessite le plan PipMCP Pro. Le plan gratuit de PipMCP ne comprend pas cette connexion. Les plans payants facturent par tâche terminée. Vous avez également besoin de votre propre compte Google BigQuery.

Les requêtes de l'IA ajouteront-elles à ma facture BigQuery ?

Les requêtes s'exécutent dans votre projet Google Cloud, et BigQuery les facture en fonction des bytes scannés. L'IA peut effectuer une simulation pour estimer les bytes d'abord, ou définir un maximum de bytes facturés afin que la requête s'arrête au lieu de scanner davantage. Lire les lignes d'une table en fait un aperçu lit directement depuis la table sans exécuter de requête.