À propos du projet

mcp-server-snowflake est un serveur du Model Context Protocol (MCP) maintenu de façon indépendante, sous licence Apache‑2.0, qui permet à un assistant IA d’interagir avec Snowflake. Le projet indique qu’il n’est ni affilié, ni sponsorisé, ni approuvé, ni supporté par Snowflake Inc., et précise que « Snowflake » et « Cortex » sont des marques déposées de Snowflake Inc. Il est distribué sur PyPI et peut être installé avec uv ou pip, lancé via un assistant de configuration (--init), ciblé sur une connexion CLI Snowflake nommée (-c), ou exécuté dans Docker. Fonctionnalités décrites dans le README Résolution de connexion : le serveur peut lire la configuration CLI de Snowflake depuis ~/.snowflake/connections.toml, ce qui permet d’utiliser un profil existant sans configuration supplémentaire. Il prend en charge le changement de profil à l’exécution via snowflake_use_connection et leur affichage avec snowflake_list_connections. Les options d’authentification comprennent les jetons d’accès programmatiques ou OAuth (jeton dans le profil de connexion ou SNOWFLAKE_TOKEN), JWT à clé RSA (SNOWFLAKE_PRIVATE_KEY_PATH, phrase de passe optionnelle), SSO via l’authentificateur externalbrowser, ainsi que les variables d’environnement classiques (account, user, password, warehouse, database, schema, role). Contrôles de sécurité : un mode lecture‑seule (SNOWFLAKE_MCP_READONLY=1 ou --readonly) désactive les outils de mutation DDL/DML ; les opérations destructives comme la suppression de bases de données, schémas ou tables exigent un confirm=True explicite ; et les limites par défaut de lignes et de temps d’exécution (SNOWFLAKE_MAX_ROWS=1000, SNOWFLAKE_QUERY_TIMEOUT=120) visent à restreindre la taille des résultats. Couverture des outils : le README organise 140 outils en 19 modules fonctionnels, incluant : requêtes et transactions SQL (query, DML, cancel, query history, query plan, operator stats, begin/commit/rollback) ; bases de données, schémas, tables et vues (list, describe, create, drop, clone, undrop, DDL, sampling, truncate) ; entrepôts virtuels (list, describe, create, drop, resume, suspend, resize, load history) ; stages et opérations de fichiers ; tâches et pipelines DAG ; streams et capture de changements ; tables dynamiques et Iceberg avec volumes externes et intégrations de catalogue ; ingestion Snowpipe ; alertes et notifications ; gouvernance, RBAC, rôles et utilisateurs ; politiques réseau et mot de passe ; pools de calcul SPCS et Streamlit ; tags et classifications d’objets ; traçabilité Horizon avec masquage et politiques d’accès aux lignes ; objets programmables tels que procédures, fonctions, secrets, séquences, intégrations et tables d’événements ; assistants Cortex IA pour la complétion, le résumé, le sentiment, l’extraction de réponses, la traduction, la recherche, l’embedding de texte et les requêtes d’analystes ; ainsi que des workflows composites comme les vérifications de santé, l’inspection et le profilage de tables, le dimensionnement et l’exécution d’entrepôt, les recettes de clonage, l’exportation de résultats de requêtes vers un stage, les résumés d’utilisation du compte et la découverte de la traçabilité de schéma. Public visé Ingénieurs data, analystes et équipes plateforme souhaitant un assistant IA pour inspecter et gérer les comptes Snowflake via MCP, avec des garde‑fous disponibles en mode lecture‑seule ou avec confirmation. Les licences, l’état CI, la version PyPI et la couverture sont indiqués par les badges du dépôt.