更快获取公共数据洞察：Data Commons MCP 已在 Google Cloud 上托管

Source: Google Developers Blog

概览

2025 年 9 月，我们推出了 Data Commons 模型上下文协议（MCP）服务器（Model Context Protocol (MCP) server），为 AI 代理提供一种标准方式，以原生方式访问 Data Commons 数据。随后发布了 Gemini CLI 扩展（Gemini CLI extension），简化了 Gemini CLI 用户的设置流程。

虽然这些工具成功打开了自然语言数据探索的大门，但它们依赖本地 Python 环境，带来了以下挑战：在高安全性环境中安装和运行开源工具并不兼容；本地 MCP 服务器缺乏可扩展性，无法满足希望发布自定义查询代理的开发者需求。

今天，我们迈出下一步，推出在 Google Cloud Platform 上托管的 Data Commons MCP 服务，让每个人都能更轻松地在 LLM 中使用 datacommons.org。现在，你可以直接连接免费服务，由 Google 负责其余所有工作——无需担心 Python 环境、资源管理、版本发布或安全合规性。

为什么要使用？

MCP 服务器提供了一种标准化方式，使 AI 代理能够原生消费 Data Commons 数据。分析师可以通过自然语言提出高层次问题，MCP 从可信来源返回数据，从而生成洞见。开发者也能轻松创建满足自身需求的 AI 代理。例如，你可以获得以下统计类问题的答案：

• “美国各州的失业率与肥胖率之间的相关性如何？”
• “对所有东欧国家的 GDP 进行排名。”

今日即可连接！

• 如果你已经在使用 Data Commons Gemini CLI 扩展： 无需任何操作。下次运行 Gemini CLI 时，扩展会自动更新，连接到托管的 Web 服务器，而不是启动本地服务器实例。
• 如果你之前没有使用过该扩展： 请参阅 使用 Gemini CLI 扩展 开始使用。
• 如果你在使用不带扩展的 Gemini CLI，或使用其他任何代理： 获取免费的 Data Commons API 密钥（Data Commons API key），并将配置指向托管的服务器。完整细节请参阅 使用 Gemini CLI。

{
  "mcpServers": {
    "datacommons-mcp": {
      "httpUrl": "https://api.datacommons.org/mcp",
      "headers": {
        "X-API-Key": "YOUR DC API KEY"
      }
    }
  }
}

注意： 托管的 MCP 服务器只能用于查询 datacommons.org。如果你运行自己的自定义 Data Commons 实例，仍需自行部署 MCP 服务器。详情请参阅 运行 MCP 工具。

如果你愿意分享对 Data Commons 的精彩使用案例或有任何反馈，请发送邮件至 support@datacommons.org。