Connectez vos agents IA à Lampion via le protocole MCP (Model Context Protocol). 31 outils et 5 ressources pour gérer PostgreSQL directement depuis Claude, Cursor, Windsurf ou tout client MCP compatible.
Vous préférez le terminal ? Lampion CLI →
Le serveur MCP Lampion est open source sur GitHub et distribué sur PyPI sous le nom lampion-mcp. Une seule commande suffit.
$ pip install lampion-mcp
$ uv pip install lampion-mcp
Prérequis — Python 3.10+. Le package installe automatiquement mcp[cli] et httpx comme dépendances.
Générez une clé API dans Settings > API Keys de la console, puis configurez votre client MCP.
{
"mcpServers": {
"lampion": {
"command": "lampion-mcp",
"env": {
"LAMPION_TOKEN": "lmp_live_xxx..."
}
}
}
} {
"servers": {
"lampion": {
"command": "lampion-mcp",
"env": {
"LAMPION_TOKEN": "lmp_live_xxx..."
}
}
}
} # Via argument $ lampion-mcp --token lmp_live_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx # Via variable d'environnement $ export LAMPION_TOKEN=lmp_live_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx $ lampion-mcp
Une fois configuré, votre agent IA peut interagir avec Lampion en langage naturel. Le serveur MCP traduit les intentions en appels API.
"Crée un projet PostgreSQL pour mon app de blog en région Paris"
create_project(name="blog-db", region="fr-par-1") list_endpoints(project_id="abc123") → Connection string prête
"Quelles sont mes requêtes les plus lentes ? Propose des optimisations."
get_slow_queries(project_id, endpoint_id, order_by="mean_time", limit=10) → Analyse + recommandations d'index
"Crée une branche de staging, lance ma migration, et dis-moi si ça passe."
create_branch(project_id, "staging", "main") execute_sql(project_id, endpoint_id, "ALTER TABLE users ADD col...") get_schema(project_id, "postgres", "public") → Validation du schéma
"Fais un snapshot de prod avant la release, puis installe pgvector."
create_backup(project_id, "main", "pre-release") install_extension(project_id, endpoint_id, "pgvector") → Snapshot créé + extension installée
Chaque outil correspond à un endpoint de l'API REST Lampion. L'agent choisit automatiquement le bon outil en fonction de votre demande.
Les ressources sont des endpoints en lecture seule, accessibles par URI. L'agent peut les lire pour obtenir du contexte sans effectuer d'action.
Quelques scénarios complets montrant l'enchaînement des outils par un agent.
Déployer une feature branch
1. create_branch(project_id, "feat-auth", "main") 2. execute_sql(... "CREATE TABLE sessions (...)") 3. execute_sql(... "INSERT INTO sessions ...") 4. get_schema(... "postgres", "public") // Vérifier le schéma 5. get_metrics(...) // Vérifier les perfs 6. delete_branch(... "feat-auth") // Cleanup
Audit de performance complet
1. get_metrics(...) // Vue d'ensemble 2. get_slow_queries(... limit=20) // Top requêtes lentes 3. execute_sql(... "EXPLAIN ANALYZE ...") // Plan d'exécution 4. get_logs(... lines=50) // Logs récents 5. get_project_usage(...) // Coûts associés → L'agent synthétise : recommandations d'index, alertes, estimations
Migration sécurisée
1. create_backup(... "pre-migration") // Snapshot 2. create_branch(... "migration-test") // Branch de test 3. execute_sql(... "ALTER TABLE ...") // Tester la migration 4. get_schema(...) // Vérifier le résultat 5. execute_sql(sur main, "ALTER TABLE ...") // Appliquer en prod 6. delete_branch(... "migration-test") // Cleanup
pip install, configurez votre token, et laissez l'IA gérer vos bases.