MCP KQL Server MCP Server安装配置 GitHub与使用方法

选型结论

MCP KQL Server 属于数据服务类 MCP Server，公开资料标注 2 个工具，通过stdio 本地进程接入，适配 Claude Desktop、Claude、Cline，有可以直接复制的安装命令；接入前要先准备会话凭据。

分类

数据服务

传输方式

stdio

认证方式

会话凭据

部署方式

公开资料未说明

安装与配置

安装命令

pip install mcp-kql-server

公开命令不是通用的启动方式，拼不出可靠配置示例；请在客户端 MCP 配置里按官方文档填写 command 和 args。

上手步骤

1
准备运行环境
stdio 服务在本地起进程，需要先装好对应的运行时，再按安装命令拉取依赖。
2
安装服务
复制下面的安装命令执行；命令里带占位符的位置换成自己的密钥或路径。
3
写入客户端配置
在客户端的 MCP 配置里填启动命令和参数，保存后完全退出客户端再打开，让新配置生效。
4
验证是否可用
连接成功后客户端会列出 2 个工具，随便调一个只读工具确认能返回结果。

接入前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

详细介绍

MCP KQL服务器

mcp名称：io.github.4R9UN/mcp-kql-服务器

基于人工智能的KQL查询执行与自然语言到KQL（NL2KQL）的转换和执行

模型上下文协议（MCP）服务器，通过智能模式发现、AI驱动的缓存和无缝的Azure Data Explorer集成，将自然语言问题转换为优化的KQL查询。只需用简单的英语提问，即可获得即时、准确的KQL查询，并获得上下文感知的结果。

最新版本：v2.1.2 -硬编码10分钟Kusto servertimeout，用于生成查询的ADX端模拟运行验证，模式漂移恢复循环，以及没有硬编码表名或列名的完全模式驱动的NL2KQL。

🎬 演示

观看MCP KQL服务器的快速演示：

🚀 特性

execute_kql_query:

- KQL的自然语言：从自然语言描述生成KQL查询。 - 直接KQL执行：执行原始KQL查询。 - 多种输出格式：支持JSON、CSV和表格格式。 - 严格模式验证：在执行之前使用发现的架构内存和验证。 - 架构接地修复：仅当有效的表架构可以证明替换时，才修复无效列。

schema_memory:

- 架构发现：发现并缓存表的模式。 - 数据库探索：列出数据库中的所有表。 - AI背景：获取表的排名CAG上下文，具有可选的表范围严格模式输出。 - 分析报告：生成可视化报告。 - 缓存管理：清除或刷新架构缓存。 - 内存统计：获取有关内存使用情况的统计信息。

📊 MCP工具执行流程

graph TD
    A[👤 User Submits KQL Query] --> B{🔍 Query Validation}
    B -->|❌ Invalid| C[📝 Syntax Error Response]
    B -->|✅ Valid| D[🧠 Load Schema Context]
    
    D --> E{💾 Schema Cache Available?}
    E -->|✅ Yes| F[⚡ Load from Memory]
    E -->|❌ No| G[🔍 Discover Schema]
    
    F --> H[🎯 Execute Query]
    G --> I[💾 Cache Schema + AI Context]
    I --> H
    
    H --> J{🎯 Query Success?}
    J -->|❌ Error| K[🚨 Enhanced Error Message]
    J -->|✅ Success| L[📊 Process Results]
    
    L --> M[🎨 Generate Visualization]
    M --> N[📤 Return Results + Context]
    
    K --> O[💡 AI Suggestions]
    O --> N
    
    style A fill:#4a90e2,stroke:#2c5282,stroke-width:2px,color:#ffffff
    style B fill:#7c7c7c,stroke:#4a4a4a,stroke-width:2px,color:#ffffff
    style C fill:#e74c3c,stroke:#c0392b,stroke-width:2px,color:#ffffff
    style D fill:#8e44ad,stroke:#6a1b99,stroke-width:2px,color:#ffffff
    style E fill:#7c7c7c,stroke:#4a4a4a,stroke-width:2px,color:#ffffff
    style F fill:#27ae60,stroke:#1e8449,stroke-width:2px,color:#ffffff
    style G fill:#f39c12,stroke:#d68910,stroke-width:2px,color:#ffffff
    style H fill:#2980b9,stroke:#1f618d,stroke-width:2px,color:#ffffff
    style I fill:#f39c12,stroke:#d68910,stroke-width:2px,color:#ffffff
    style J fill:#7c7c7c,stroke:#4a4a4a,stroke-width:2px,color:#ffffff
    style K fill:#e74c3c,stroke:#c0392b,stroke-width:2px,color:#ffffff
    style L fill:#27ae60,stroke:#1e8449,stroke-width:2px,color:#ffffff
    style M fill:#8e44ad,stroke:#6a1b99,stroke-width:2px,color:#ffffff
    style N fill:#27ae60,stroke:#1e8449,stroke-width:2px,color:#ffffff
    style O fill:#f39c12,stroke:#d68910,stroke-width:2px,color:#ffffff

架构内存发现流

模式内存流被集成到查询执行中，但现在它在尝试实时发现之前重用了现有的缓存模式。如果CAG/模式内存中已经有一个表模式可用，服务器将使用该缓存的模式，而不是重新索引它。

graph TD
    A[👤 User Requests Schema Discovery] --> B[🔗 Connect to Cluster]
    B --> C[📂 Enumerate Databases]
    C --> D[📋 Discover Tables]
    
    D --> E[🔍 Get Table Schemas]
    E --> F[🤖 AI Analysis]
    F --> G[📝 Generate Descriptions]
    
    G --> H[💾 Store in Memory]
    H --> I[📊 Update Statistics]
    I --> J[✅ Return Summary]
    
    style A fill:#4a90e2,stroke:#2c5282,stroke-width:2px,color:#ffffff
    style B fill:#8e44ad,stroke:#6a1b99,stroke-width:2px,color:#ffffff
    style C fill:#f39c12,stroke:#d68910,stroke-width:2px,color:#ffffff
    style D fill:#2980b9,stroke:#1f618d,stroke-width:2px,color:#ffffff
    style E fill:#7c7c7c,stroke:#4a4a4a,stroke-width:2px,color:#ffffff
    style F fill:#e67e22,stroke:#bf6516,stroke-width:2px,color:#ffffff
    style G fill:#8e44ad,stroke:#6a1b99,stroke-width:2px,color:#ffffff
    style H fill:#f39c12,stroke:#d68910,stroke-width:2px,color:#ffffff
    style I fill:#2980b9,stroke:#1f618d,stroke-width:2px,color:#ffffff
    style J fill:#27ae60,stroke:#1e8449,stroke-width:2px,color:#ffffff

📋 先决条件

Python 3.10或更高版本
Azure命令行界面已安装并验证(az login)
访问Azure数据资源管理器群集

🚀 一个命令安装

快速安装（推荐）

源自

git clone https://github.com/4R9UN/mcp-kql-server.git && cd mcp-kql-server && pip install -e .

替代安装方法

pip install mcp-kql-server

就是这样！ 服务器自动执行以下操作：

✅ 在中设置内存目录 %APPDATA%\KQL_MCP （Windows）或 ~/.local/share/KQL_MCP （Linux/Mac）
✅ 配置生产使用的最佳默认值
✅ 抑制详细的Azure SDK日志
✅ 不需要环境变量

📱 MCP客户端配置

一次性安装（任何平台）： ``bash pip install --upgrade mcp-kql-server ` 安装后，配置MCP客户端以通过Python模块入口点启动服务器： python -m mcp_kql_server。这适用于所有使用Python的平台 PATH 并且不取决于 mcp-kql-server 控制台脚本。（控制台脚本仍由安装 pip` 并且仍然支持向后兼容性——请参阅下面的替代代码段。)

克劳德桌面版

添加到您的Claude Desktop MCP设置文件(mcp_settings.json):

地点：

视窗: %APPDATA%\Claude\mcp_settings.json
macOS: ~/Library/Application Support/Claude/mcp_settings.json
Linux: ~/.config/Claude/mcp_settings.json

{
  "mcpServers": {
    "mcp-kql-server": {
      "type": "stdio",
      "command": "python",
      "args": ["-m", "mcp_kql_server"]
    }
  }
}

Alternatives: platform-stable launchers or the installed console script

窗户（ py 发射器始终位于 C:\Windows\py.exe):

{
  "mcpServers": {
    "mcp-kql-server": {
      "type": "stdio",
      "command": "py",
      "args": ["-3", "-m", "mcp_kql_server"]
    }
  }
}

在macOS/Linux上替换 "py" 随着 "python3" 并放下 "-3" arg。

或者使用控制台脚本 pip install 滴在 PATH:

{
  "mcpServers": {
    "mcp-kql-server": {
      "type": "stdio",
      "command": "mcp-kql-server",
      "args": []
    }
  }
}

VSCode（带MCP扩展）

添加到VSCode MCP配置中：

Settings.json位置：

视窗: %APPDATA%\Code\User\mcp.json
macOS: ~/Library/Application Support/Code/User/mcp.json
Linux: ~/.config/Code/User/mcp.json

{
  "servers": {
    "mcp-kql-server": {
      "type": "stdio",
      "command": "python",
      "args": ["-m", "mcp_kql_server"]
    }
  }
}

如果VS代码记录 spawn ...PythonNNN/python.exe ENOENT，Python扩展正在用缓存的解释器路径替换 "python".切换到 "py" （Windows）/ "python3" （macOS/Linux），或 "mcp-kql-server" 控制台脚本 pip install 滴在 PATH。参见 docs/故障排除.md 了解全部细节。

Roo代码或Cline（VS代码扩展）

询问或添加到您的Roo代码或临床MCP设置：

MCP设置位置：

所有平台：通过Roo代码扩展设置或 mcp_settings.json

{
  "mcp-kql-server": {
    "type": "stdio",
    "command": "python",
    "args": ["-m", "mcp_kql_server"],
    "alwaysAllow": []
  }
}

通用MCP客户端

对于任何与MCP兼容的应用程序：

# Preferred: invoke as a Python module (cross-platform)
python -m mcp_kql_server

# Platform-stable launchers (recommended if `python` is ambiguous on PATH)
py -3 -m mcp_kql_server     # Windows
python3 -m mcp_kql_server   # macOS / Linux

# Equivalent console script installed by pip
mcp-kql-server

# Server provides these tools:
# - execute_kql_query: Execute KQL or generate KQL from natural language
# - schema_memory: Discover, cache, and inspect cluster schemas

🔧 快速开始

1.使用Azure进行身份验证（一次性设置）

az login

2.启动MCP服务器（零配置）

python -m mcp_kql_server

服务器立即启动：

📁 自动创建内存路径: %APPDATA%\KQL_MCP\cluster_memory
🔧 优化默认值：不需要配置文件
🔐 安全设置：使用现有的Azure CLI凭据

3.通过MCP客户端使用

服务器提供两个主要工具：

#### execute_kql_query -执行KQL查询或从自然语言生成KQL #### schema_memory -发现、刷新和检查缓存的集群模式

💡 使用示例

基本查询执行

问问你的MCP客户（比如克劳德）：

“对帮助集群执行此KQL查询： cluster('help.kusto.windows.net').database('Samples').StormEvents | take 10 并总结结果，给我高层次的见解”

复杂分析查询

询问您的MCP客户：

“查询帮助集群中的示例数据库，按风暴事件计数向我显示前10个州，包括可视化”

架构发现

询问您的MCP客户：

“发现并缓存help.kusto.indows.net集群的架构，然后告诉我哪些数据库和表可用”

基于上下文的数据探索

询问您的MCP客户：

“使用帮助集群上示例数据库中的StormEvents表，向我显示2007年以来所有损失估计超过100万美元的龙卷风事件”

基于时间的分析

询问您的MCP客户：

“在StormEvents表中按月分析2007年的风暴事件，按事件类型分组并以可视化方式显示”

🎯 主要优势

面向数据分析师

⚡ 更快的查询开发：AI驱动的自动补全和建议
🎨 丰富的可视化：用于数据探索的即时降价表
🧠 情境感知：无需文档即可了解您的数据结构

DevOps团队

🔄 自动模式发现：保持架构信息最新
💾 智能缓存：减少API调用并提高性能
🔐 安全认证：利用现有的Azure CLI凭据

适用于人工智能应用

🤖 智能查询辅助：AI生成的表格描述和建议
📊 结构化数据访问：用于下游处理的干净、键入的响应
🎯 上下文感知响应：丰富的元数据有助于更好的人工智能决策

🏗️ 建筑

%%{init: {'theme':'dark', 'themeVariables': {
  'primaryColor':'#1a1a2e',
  'primaryTextColor':'#00d9ff',
  'primaryBorderColor':'#00d9ff',
  'secondaryColor':'#16213e',
  'secondaryTextColor':'#c77dff',
  'secondaryBorderColor':'#c77dff',
  'tertiaryColor':'#0f3460',
  'tertiaryTextColor':'#ffaa00',
  'tertiaryBorderColor':'#ffaa00',
  'lineColor':'#00d9ff',
  'textColor':'#ffffff',
  'mainBkg':'#0a0e27',
  'nodeBorder':'#00d9ff',
  'clusterBkg':'#16213e',
  'clusterBorder':'#9d4edd',
  'titleColor':'#00ffff',
  'edgeLabelBackground':'#1a1a2e',
  'fontFamily':'Inter, Segoe UI, sans-serif',
  'fontSize':'16px',
  'flowchart':{'nodeSpacing':60, 'rankSpacing':80, 'curve':'basis', 'padding':20}
}}}%%
graph LR
    Client["🖥️ MCP Client
Claude / AI / Custom
─────────
Natural Language
Interface"]
    
    subgraph Server["🚀 MCP KQL Server"]
        direction TB
        FastMCP["⚡ FastMCP
Framework
─────────
MCP Protocol
Handler"]
        NL2KQL["🧠 NL2KQL
Engine
─────────
AI Query
Generation"]
        Executor["⚙️ Query
Executor
─────────
Validation &
Execution"]
        Memory["💾 Schema
Memory
─────────
AI Cache"]
        
        FastMCP --> NL2KQL
        NL2KQL --> Executor
        Executor --> Memory
        Memory --> Executor
    end
    
    subgraph Azure["☁️ Azure Services"]
        direction TB
        ADX["📊 Azure Data
Explorer
─────────
Kusto Cluster
KQL Engine"]
        Auth["🔐 Azure
Identity
─────────
Device Code
CLI Auth"]
    end
    
    %% Client to Server
    Client ==>|"📡 MCP Protocol
STDIO/SSE"| FastMCP
    
    %% Server to Azure
    Executor ==>|"🔍 Execute KQL
Query & Analyze"| ADX
    Executor -->|"🔐 Authenticate"| Auth
    Memory -.->|"📥 Fetch Schema
On Demand"| ADX
    
    %% Styling - Using cyberpunk palette
    style Client fill:#1a1a2e,stroke:#00d9ff,stroke-width:4px,color:#00ffff
    style FastMCP fill:#16213e,stroke:#c77dff,stroke-width:3px,color:#c77dff
    style NL2KQL fill:#1a1a40,stroke:#ffaa00,stroke-width:3px,color:#ffaa00
    style Executor fill:#16213e,stroke:#9d4edd,stroke-width:3px,color:#9d4edd
    style Memory fill:#0f3460,stroke:#00d9ff,stroke-width:3px,color:#00d9ff
    style ADX fill:#1a1a2e,stroke:#ff6600,stroke-width:4px,color:#ff6600
    style Auth fill:#16213e,stroke:#00ffff,stroke-width:2px,color:#00ffff
    
    style Server fill:#0a0e27,stroke:#9d4edd,stroke-width:3px,stroke-dasharray: 5 5
    style Azure fill:#0a0e27,stroke:#ff6600,stroke-width:3px,stroke-dasharray: 5 5

MCP KQL服务器生成的报告 |

🚀 生产部署

准备好将MCP KQL Server部署到Azure以供生产使用了吗？我们提供全面的部署自动化 Azure容器应用 具有企业级安全性和可扩展性。

🌟 特性

✅ 无服务器计算：具有自动扩展功能的Azure容器应用程序
✅ 管理身份：使用Azure AD进行无密码身份验证
✅ 基础设施即代码：用于可重复部署的二头肌模板
✅ 监控：集成日志分析和应用程序洞察
✅ 缺省巩固安全：网络隔离、RBAC和最低权限访问
✅ 一个命令部署：自动PowerShell和Bash脚本

📖 部署指导

有关完整的部署说明、体系结构详细信息和故障排除：

👉 查看生产部署指南

该指南包括：

🏗️ 详细的架构图
⚙️ 逐步部署说明（PowerShell和Bash）
🔒 安全配置最佳实践
🐛 常见问题排查
📦 Docker容器化详细信息

快速部署

# PowerShell (Windows)
cd deployment
.\deploy.ps1 -SubscriptionId "YOUR_SUB_ID" -ResourceGroupName "mcp-kql-prod-rg" -ClusterUrl "https://yourcluster.region.kusto.windows.net"

# Bash (Linux/Mac/WSL)
cd deployment
./deploy.sh --subscription "YOUR_SUB_ID" --resource-group "mcp-kql-prod-rg" --cluster-url "https://yourcluster.region.kusto.windows.net"

📁 项目结构

mcp-kql-server/
├── mcp_kql_server/
│   ├── __init__.py          # Package initialization
│   ├── mcp_server.py        # Main MCP server implementation
│   ├── execute_kql.py       # KQL query execution logic
│   ├── memory.py            # Advanced memory management
│   ├── kql_auth.py          # Azure authentication
│   ├── utils.py             # Utility functions
│   └── constants.py         # Configuration constants
├── docs/                    # Documentation
├── Example/                 # Usage examples
├── pyproject.toml          # Project configuration
└── README.md               # This file

🔒 安全

Azure CLI身份验证：利用您现有的Azure设备登录
无凭据存储：服务器不存储身份验证令牌
本地内存：架构缓存存储在本地，不传输

🐛 故障排除

常见问题

身份验证错误

   # Re-authenticate with Azure CLI
   az login --tenant your-tenant-id

内存问题

   # The memory cache is now managed automatically. If you suspect issues,
   # you can clear the cache directory, and it will be rebuilt on the next query.
   # Windows:
   rmdir /s /q "%APPDATA%\KQL_MCP\unified_memory.json"

   # macOS/Linux:
   rm -rf ~/.local/share/KQL_MCP/cluster_memory

连接超时

- 检查群集URI格式 - 验证网络连接 - 确认Azure权限

🤝 贡献

我们欢迎捐款！请做。

📞 支持

问题:
PyPI包: PyPI项目页面
作者: Arjun Trivedi
认证的 : MCPHub

🌟 明星历史

______________________________________________________________________

mcp名称：io.github.4R9UN/mcp-kql-服务器

快乐查询！ 🎉

工具与能力

工具数量

2

资源数量

0

提示词数量

0

能力标签

KQL转换Python本地部署自然语言处理数据库查询Azure集成AI辅助

支持客户端

Claude DesktopClaudeCline

数量来自来源目录的标注，具体工具清单以官方文档为准。

典型使用场景

用自然语言查库

不用手写 SQL，直接问数据，让模型组织查询语句。

数据巡检

定期拉指标、做对比，把异常项整理成一段说明。

打通业务数据

把数据库、数仓和接口接进同一个上下文，减少导出再上传。

选择建议

值得选的地方

只提供 2 个工具，职责集中，接入后不容易误操作。
有现成的安装命令，不用自己找入口，照着跑就能起服务。
已经适配 Claude Desktop、Claude、Cline，换客户端不用重新研究配置。

先想清楚的地方

stdio 方式要求本地装好运行环境，换机器要重新装一遍。
需要自备会话凭据，没有凭据没法直接试。
第三方目录整理，版本更新和行为细节以官方仓库为准。

更适合

需要在数据服务场景里让模型直接调用外部能力的人。
已经在用 Claude Desktop 的用户，接入路径最短。
想先快速试一下、能接受在本地跑服务的人。

不太适合

完全不想在本地装环境的人。
暂时拿不到会话凭据的人。
需要厂商级 SLA 和技术支持的生产环境。

MCP Server	工具数	传输方式	安装命令	收录来源	最后核验
MCP KQL Server MCP World · 本页	2	stdio	有	2 个	2026-05-17
Memory 9d25f64e MCP World	9	未说明	未标注	1 个	2026-05-17
Prisma MCP Server MCP World	0	stdio	有	3 个	2026-05-17
Astr Bot MCP World	0	stdio	有	1 个	2026-05-17
Getzep MCP MCP World	9	stdio	有	1 个	2026-05-17

常见问题

5 条

MCP KQL Server 怎么安装？

公开资料给出的安装命令是 pip install mcp-kql-server，运行环境为未标注。装完后按客户端要求写进 MCP 配置，重启客户端生效。

MCP KQL Server 怎么在 Claude Desktop、Cursor 里配置？

它是stdio 本地进程，客户端配置里要写启动命令和参数，运行环境是未标注；保存后完全退出客户端再打开，配置才会生效。

MCP KQL Server 收费吗？

本站只整理公开资料，不代收费用，也没有标注具体价格。是否收费取决于服务本身和背后的接口额度，正式使用前按官方说明确认。

MCP KQL Server 需要 API Key 吗？

公开资料标注的认证方式是会话凭据，也就是要先拿到凭据才能连上；凭据只填在自己本地的配置里，不要写进公开仓库。

MCP KQL Server 支持哪些客户端？

公开资料标注支持 Claude Desktop、Claude、Cline；其他客户端只要能配置 MCP Server，也能用同样的命令或地址接入。

来源信息

MCP World

mcp-kql-server

一个将自然语言转换为KQL查询并执行的工具，支持智能模式发现、AI缓存和无缝Azure Data Explorer集成。

www.mcpworld.com

/detail/07e2c7c68a5f14e842970538e3629a56

Glama

MCP KQL Server

Enables intelligent KQL query execution against Azure Data Explorer clusters with AI-powered schema caching and natural language to KQL conversion. Provides automated schema discovery and context-aware query assistance for enhanced data exploration.

glama.ai

/mcp/servers/4R9UN/mcp-kql-server

参考链接

仓库入口

github.com

/4R9UN/mcp-kql-server

来源标签

KQL转换Python本地部署自然语言处理数据库查询Azure集成AI辅助hosting:hybrid

来源分类路径

KQL转换

继续浏览同类 MCP

更多数据服务 MCP（6,869）返回 MCP 目录

上一个 MCP

MCP Knowledge Service

Enables semantic search and management of development knowledge including global rules, project documentation, and references through vector-based search using libSQL. Features Tailscale-secured access control and tools for searching, browsing, and organizing development resources across multiple channels.

下一个 MCP

mcpkupsik (Runbuilder)

该MCP服务器通过NEIS开放API提供韩国学校餐饮信息查询服务，包括菜单、营养信息和食材原产地等。

选型结论

安装与配置

详细介绍

MCP KQL服务器

🎬 演示

🚀 特性

📊 MCP工具执行流程

架构内存发现流

📋 先决条件

🚀 一个命令安装

快速安装（推荐）

源自

替代安装方法

📱 MCP客户端配置

克劳德桌面版

VSCode（带MCP扩展）

Roo代码或Cline（VS代码扩展）

通用MCP客户端

🔧 快速开始

1.使用Azure进行身份验证（一次性设置）

2.启动MCP服务器（零配置）

3.通过MCP客户端使用

💡 使用示例

基本查询执行

复杂分析查询

架构发现

基于上下文的数据探索

基于时间的分析

🎯 主要优势

面向数据分析师

DevOps团队

适用于人工智能应用

🏗️ 建筑

🚀 生产部署

🌟 特性

📖 部署指导

快速部署

📁 项目结构

🔒 安全

🐛 故障排除

常见问题

🤝 贡献

📞 支持

🌟 明星历史

工具与能力

典型使用场景

选择建议

同类对比

常见问题

MCP KQL Server 怎么安装？

MCP KQL Server 怎么在 Claude Desktop、Cursor 里配置？

MCP KQL Server 收费吗？

MCP KQL Server 需要 API Key 吗？

MCP KQL Server 支持哪些客户端？

来源信息

继续浏览同类 MCP