ClickHouse 推出 Managed ClickStack MCP Server，將可觀測性分析直接接入 AI 代理
ClickHouse Blog · 2026-06-24
ClickHouse 於 2026 年 6 月 24 日宣布，正式在 ClickHouse Cloud 上推出 Managed ClickStack MCP Server，讓 AI 代理能夠透過 Model Context Protocol 直接存取全保真的可觀測性資料，無需手動撰寫 SQL 查詢。此服務提供獨立的運算資源，與攝取及用戶端工作負載完全隔離，適合在生產環境中執行 AI 驅動的事故調查。
背景：從 SQL 查詢到語意工具
傳統的 MCP 伺服器通常只提供通用的 run_query 介面，讓 AI 代理自行組合 SQL，這種做法在需要多步推論的可觀測性場景中既耗費 token 又容易出錯。ClickStack MCP 的設計理念是在 SQL 之上封裝更高層次的語意工具，讓代理能以「找出這條 trace 的異常根因」這類指令直接驅動分析流程。相較於標準 ClickHouse MCP 伺服器，官方測評顯示工具呼叫次數減少 25%，一致性提升 2.5 倍，評估分數提高近 20%。
ClickStack 原本即是 ClickHouse 推出的全端可觀測性解決方案，整合了日誌、指標與追蹤三大訊號。Managed 版本將 OpenTelemetry 採集、儲存與分析合而為一，並在此基礎上加入 AI 代理存取層。
核心工具與功能
MCP Server 內建多種針對可觀測性情境設計的工具。事件模式聚類（Event Pattern Clustering）採用 Drain3 演算法，自動識別日誌中反覆出現的錯誤模式，省去人工篩選的步驟。慢速追蹤分析與追蹤離群值檢測工具可直接定位效能瓶頸，而日誌與指標關聯功能則允許跨訊號類型的聯合推論。
除了調查工具外，此 MCP Server 也具備操作性功能：
- 儀表板建立與持久化
- 搜尋條件儲存與共享
- 告警規則管理
- 事故文件中的佐證資料驗證
對於需要深度探索的場景，SQL 逸出介面（SQL escape hatch）依然保留，讓代理可以在語意工具不足時直接執行任意查詢。
規格細節：端點與驗證
Managed ClickStack MCP Server 的存取端點為 https://mcp.clickhouse.cloud/clickstack，使用 OAuth 2.0 進行身份驗證。ClickHouse Cloud 主控台的 Connect → Connect with MCP 頁面提供預設的連線字串，支援 Claude Code、Cursor 與 Codex CLI 三種工具的即時設定。
在基礎架構層面，代理工作負載運行於獨立運算節點上，確保 AI 分析作業不會影響資料攝取管線或面向用戶的查詢效能。這一架構設計也讓保留未抽樣的完整日誌、指標與追蹤資料成為可行方案，因為長期歷史視窗對趨勢分析具有關鍵價值。新用戶可獲得 300 美元的免費額度以試用此服務。
影響範圍
此發布標誌著可觀測性平台與 AI 代理工作流程的深度整合進入產品化階段。開源版的 ClickHouse MCP Server（github.com/ClickHouse/mcp-clickhouse，最新版本 v0.4.0，發布於 2026 年 6 月 3 日）依然免費可用，適合自行托管的場景；Managed 版本則進一步將運維負擔轉移給平台，讓工程師能專注於調查邏輯本身。對於正在評估 AI 輔助事故響應流程的團隊而言，ClickStack MCP 提供了一個從數據存取到代理動作全鏈路整合的參考實作。
原始來源：ClickHouse Blog — Announcing the Managed ClickStack MCP Server、GitHub — ClickHouse/mcp-clickhouse
Visa 如何用 ClickHouse 與 AI 對話代理，將 40 PB 支付資料的分析時間從數天壓縮至毫秒
ClickHouse Blog · 2026-06-24
Visa 旗下的 Authorize.net 支付網路長期面臨一個痛點：分析師需要耗費多天才能從數十 PB 的交易資料中取得報告。2026 年 6 月 24 日，ClickHouse 發布了這份案例研究，記錄 Visa 如何透過 ClickHouse Cloud 搭配 LibreChat 與 ClickHouse MCP Server，打造出可以自然語言直接驅動的對話式分析代理，徹底改變了資料查詢的工作模式。
背景：40 PB 資料的分析瓶頸
Authorize.net 處理的支付資料總量達 40 petabytes，原本儲存於內部部署的 SQL 資料庫中。分析師每次需要查詢收入趨勢或商家風險時，必須手動撰寫 SQL 或等待資料工程師協助，整個循環往往需要數天。這種延遲不僅影響即時決策，也讓非技術背景的業務人員無法自助取得洞察。
Visa 的技術團隊選擇 ClickHouse 的核心理由之一，是其物化檢視（Materialized View）機制可以預先計算高頻查詢結果，在資料寫入時就同步更新聚合表，從而將查詢延遲從秒級壓縮至毫秒級。
系統架構：從內部部署到雲端 AI 查詢
整體資料流程分為三個階段：內部部署 SQL 資料庫的資料經 PGP 加密後上傳至 Amazon S3，再透過 VPC PrivateLink 安全地同步至 ClickHouse Cloud。這一設計確保敏感的支付資料在傳輸及儲存過程中始終保持加密，且不經公網。
在查詢層，LibreChat 作為對話介面，透過 ClickHouse MCP Server 將用戶的自然語言問題轉換為 ClickHouse 查詢。整個查詢鏈路對終端用戶完全透明——分析師只需輸入問題，系統自動完成 SQL 生成、查詢執行與結果呈現。
規格細節：量化的效能提升
以下是三個代表性查詢場景的效能對比：
| 查詢類型 | 原始資料列數 | 原始查詢時間 | 物化檢視後 | 提升倍數 |
|---|---|---|---|---|
| 收入分析 | 500,000 列 | 2–3 秒 | 100ms（624 列） | 約 50 倍 |
| 核准率分析 | 2,000,000 列 | 3–5 秒 | 100ms（29,000 列） | 約 70 倍 |
| 商家風險分析 | 原始連接查詢 | 5–8 秒 | 200ms（預連接檢視） | 約 30 倍 |
在人力效益方面，每位用戶每週節省 8 至 10 小時，原本耗費在手動報告、資料查找與儀表板製作上的時間幾乎被完全消除。
影響範圍：對話式分析的組織意義
此案例的深層意義不僅在於效能數字，更在於它重新定義了誰可以存取資料。當自然語言成為查詢介面時，SQL 技能不再是分析的門檻，業務分析師、產品經理乃至客服人員都可以直接從對話中取得資料支持。Visa 的實踐表明，即使是金融業中對安全性要求極高的場景，也能在保留資料隔離與加密的前提下完成這種轉型。對於正在規劃 AI 分析基礎設施的工程師團隊，這份案例提供了一個從資料管線設計到前端介面整合的完整參考藍圖。
原始來源：ClickHouse Blog — How Visa went from multi-day reporting to conversational analytics agents、GitHub — ClickHouse/mcp-clickhouse
PostgreSQL 迎來原生語言伺服器：postgres-lsp 以 tree-sitter 語法樹驅動 IDE 智慧補全
PostgreSQL News · 2026-06-21
2026 年 6 月 21 日，PostgreSQL 官方新聞頻道宣布 postgres-lsp 正式發布，這是一個以 Rust 撰寫、基於 Language Server Protocol（LSP）的 PostgreSQL 開發工具，目前最新版本為 v1.1.0（發布於 2026 年 6 月 16 日）。與過去依賴正則表達式的 SQL 外掛不同，postgres-lsp 以 tree-sitter-postgres 語法樹為基礎，提供符合 PostgreSQL 實際語法的靜態分析能力。
背景：SQL 開發工具的長期缺口
PostgreSQL 長期缺乏一個與 Python、TypeScript 等語言同等品質的 IDE 整合工具。現有的 SQL 語法高亮外掛大多基於正則規則或簡化語法樹，無法正確處理 PL/pgSQL 函數體、複雜子查詢或特定版本的 PostgreSQL 語法擴展。tree-sitter-postgres 專案（同樣由作者 Gavin M. Roy 維護）為 postgres-lsp 提供了完整的 PostgreSQL 文法解析能力，使得語意層級的分析成為可能，而非僅依賴詞彙層面的匹配。
核心功能：完整的 LSP 功能覆蓋
postgres-lsp 實作了 LSP 規範中的主要功能集。診斷功能可即時回報解析錯誤，包含行號與錯誤描述；語意 Token 高亮基於語法樹而非正則規則，確保著色結果符合 PostgreSQL 真實語法。工具同時支援跳轉定義、尋找參考與文件符號導航：
- 跳轉定義 / 尋找參考：文件內與工作區跨檔案的符號導航
- 智慧補全與簽名提示：上下文感知的關鍵字與函數參數補全
- 程式碼動作與快速修復：常見語法問題的一鍵修正
- 多風格 SQL 格式化：支援 river、mozilla、aweber、dbt、gitlab、kickstarter、mattmc3、pg_dump 等八種風格
- 符號重新命名：跨工作區批次重命名資料表欄位或函數
- PL/pgSQL 支援：函數體內的過程語言完整解析與分析
格式化功能由 libpgfmt 提供後端支援，v1.1.0 新增的 pg_dump 格式化風格模仿 PostgreSQL 內部 ruleutils.c 解析器的輸出格式，對需要與 pg_dump 產出比對的場景特別有用。
規格細節：安裝與技術堆疊
postgres-lsp 以 Rust 撰寫（佔程式碼庫 98.8%），採用 BSD-3-Clause 授權。安裝方式如下：
# macOS / Linux（Homebrew）
brew tap gmr/postgres
brew install postgres-lsp
# 從原始碼編譯（需要 Rust 工具鏈）
cargo install postgres-lsp伺服器透過 stdio 與編輯器通訊，需在編輯器設定中將 .sql 檔案關聯至 postgres-lsp。符合標準 LSP 協定代表任何支援 LSP 的編輯器（VS Code、Neovim、Emacs 等）均可接入，無需針對各編輯器個別維護外掛。
版本沿革
| 版本 | 發布日期 | 主要變更 |
|---|---|---|
v1.1.0 | 2026-06-16 | 新增 pg_dump 格式化風格、升級 libpgfmt 至 1.2、補充 Homebrew 文件 |
v1.0.2 | 2026-06-15 | 升級 tree-sitter-postgres 至 1.2.4，納入最新 PostgreSQL 語法改進 |
v1.0.1 | 2026-04-01 | 初版後的小幅修正 |
v1.0.0 | 2026-04-01 | 初始版本，涵蓋文件同步、診斷、語意 Token、跳轉定義、補全、懸停與重新命名 |
影響範圍
對於大量使用 PostgreSQL 預存程序、複雜視圖或需要跨多個 .sql 檔案協作開發的工程師而言，postgres-lsp 填補了長期存在的工具空白。Rust 實作帶來的低延遲特性也意味著即使在大型工作區中，補全與診斷響應也能保持流暢。樹狀語法解析相較正則規則的優勢在 PL/pgSQL 場景中尤為明顯——複雜的函數體巢狀結構與條件分支，在基於語法樹的分析下能得到精確的符號追蹤，而非依賴模糊比對。
原始來源：PostgreSQL News — New Postgres Language Server: postgres-lsp、GitHub — gmr/postgres-lsp、postgres-lsp Releases