目次 †

↑

Google MCP Toolbox for Databases と BigQuery? で Google Sheets を SQL 操作する完全ガイド †

↑

はじめに †

AIでエクセルやスプレッドシートに直接アクセスする際、最大の課題は **トークン消費の非効率性** です。表の構造を把握するために全セルにアクセスする必要があり、AIが使用できるトークン数を無駄に消費してしまいます。

↑

解決アプローチ：BigQuery? 外部テーブルとDDL定義による効率化 †

この問題を解決する鍵は、**事前のスキーマ定義** にあります。Google Sheets のデータを Google Cloud BigQuery? の **外部テーブル** として読み込むことで、シートを SQL テーブルのように扱えるようになります。外部テーブル作成時にスキーマを定義すれば、シート認識処理の負荷を大幅に軽減できます。

さらにデータ抽出は汎用的な SQL で実行できるため、以下のメリットが得られます：

↑

検証目標 †

今回は、プロジェクト管理の WBS を Google Sheets で管理している前提で、Google がオープンソースでリリースした **MCP Toolbox for Databases** を活用し、BigQuery? を介してスプレッドシートを SQL データベースのように効率的に操作できるかを検証します。

このツールにより、Google Sheets のデータを BigQuery? 外部テーブルに読み込み、MCP 経由で AI からクエリを発行することで、定義済みシートに対するトークン消費を大幅に削減できます。

進め方としては、BigQuery?でSQLを使ってスプレッドシートをある程度操作できるようになったら、この **MCP Toolbox for Databases**にツールとして登録すると、AIが代わりにやってくれるようにすることができるという感じです。

↑

MCP Toolbox for Databases とは †

↑

Model Context Protocol (MCP) Toolbox for Databases** は、AI（Claude 等）とデータベースを安全に接続するために Google が開発したオープンソースツールです。SQLがある程度決まったものをツール化するのに向いています。 †

GitHub? リポジトリ: https://github.com/googleapis/genai-toolbox

↑

今回のユースケース: WBS 管理 †

Google Sheets で WBS（Work Breakdown Structure）を管理し、SQL でタスクを効率的に操作します。今回は Sheets を直接扱うのではなく、Sheets のデータを **BigQuery? 外部テーブル** として取り込みます。

↑

参考スプレッドシート（ひな形） †

公開用のひな形シートはこちらです（右側に2ヶ月分のガントチャート付き）: https://docs.google.com/spreadsheets/d/13x7TnzwSTLSsBcJnoYyZkv3fejU-0ktQqspiqmRt4j8/edit?usp=sharing

↑

WBSスプレッドシート構造 †

行3: ヘッダー（B列〜O列） 行4〜: データ開始

カラム構成: B列: スプリント C列: プライオリティ D列: タスクの区分 E列: カテゴリ F列: 概要 G列: 詳細（１件単位で記入） H列: 担当者 I列: 予想作業日数 J列: ステータス K列: 完了日 L列: 予想開始日 M列: 予想終了日 N列: Issue/議事録 O列: 備考

↑

BigQuery? 外部テーブルのスキーマ †

Google Sheets の各列を次のように BigQuery? フィールド名へマッピングします。外部テーブル作成時にこのスキーマを手動定義します。

シート列BigQuery?フィールド名説明
---------
Bsprintスプリント名
Cpriorityプライオリティ
Dtask_typeタスクの区分
Ecategoryカテゴリ
Fsummary概要
Gdescription詳細
Hassignee担当者
Iestimated_days予想作業日数
Jstatusステータス
Kcompleted_date完了日
Lestimated_start_date予想開始日
Mestimated_end_date予想終了日
Nissue_urlIssue／議事録リンク
Onotes備考
↑

セットアップ手順 †

↑

1. BigQuery? 外部テーブルを作成 †

  1. **データセット作成** BigQuery? コンソールでプロジェクト obsidian-460615 の配下に pm_agent という名前のデータセットを作成します。
  1. **外部テーブル作成** データセット内で「テーブルを作成」を選択し、ソースを **Drive** にします。ドライブの URI に公開シートの URL https://docs.google.com/spreadsheets/d/13x7TnzwSTLSsBcJnoYyZkv3fejU-0ktQqspiqmRt4j8 を指定し、ファイル形式を **Google スプレッドシート**、シート範囲に WBS!B3:O を指定します。 スキーマは上記のフィールド名で手動定義し、ヘッダー行を 3 行スキップします。テーブル名は wbs01 とします。
  1. **権限設定** クエリを実行するユーザーやサービスアカウントに、BigQuery? の権限 (roles/bigquery.jobUser など) と、対象シートの閲覧権限を付与します。
↑

2. Docker 環境で MCP サーバーを構築 †

今回は Docker Compose を利用して MCP サーバーを起動します。ディレクトリ構成やスクリプトは従来とほぼ同じですが、BigQuery? 用の設定ファイルを配置します。

↑

* docker-compose.yml †

services:

 genai-toolbox:
   # 最新バージョンに更新
   image: us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:0.11.0
   container_name: genai-toolbox
   ports:
     - "5000:5000"
   volumes:
     # ファイルマウントを確実に
     - "./tools.yaml:/app/tools.yaml:ro"
     - "./credentials.json:/app/credentials.json:ro"
     - "./logs:/app/logs"
   environment:
     - GOOGLE_APPLICATION_CREDENTIALS=/app/credentials.json
   command: [
     "--tools-file", "/app/tools.yaml",
     "--port", "5000", 
     "--address", "0.0.0.0",
     "--log-level", "DEBUG"
   ]
   restart: unless-stopped
   networks:
     - genai-network

networks:

 genai-network:
   driver: bridge
↑

* BigQuery?を使う際に使えるコマンドやパラメータの仕様 †

https://googleapis.github.io/genai-toolbox/resources/tools/bigquery/

↑

* tools.yaml（BigQuery? 用） †

まだ未検証です。

# tools.yaml - MCP Toolbox for Databases WBS管理設定

# プロジェクトマネージャー用 BigQuery? WBS管理

sources:

 bigquery_wbs:
   kind: "bigquery"
   project: "${GOOGLE_CLOUD_PROJECT}" # エラーです。
   location: "US"
   # credentials_path は不要（環境変数 GOOGLE_APPLICATION_CREDENTIALS を利用）

tools:

 # 1. WBS全体概要取得
 get_wbs_overview:
   kind: bigquery-sql
   description: "プロジェクトのスプリント別進捗概要を表示します"
   source: bigquery_wbs
   statement: |
     WITH wbs_data AS (
       SELECT 
         CAST(sprint AS STRING) as sprint,
         CAST(priority AS STRING) as priority,
         CAST(task_type AS STRING) as task_type,
         CAST(category AS STRING) as category,
         CAST(summary AS STRING) as summary,
         CAST(description AS STRING) as description,
         CAST(assignee AS STRING) as assignee,
         CAST(estimated_days AS FLOAT64) as estimated_days,
         CAST(status AS STRING) as status,
         CAST(completed_date AS DATE) as completed_date,
         CAST(estimated_start_date AS DATE) as estimated_start_date,
         CAST(estimated_end_date AS DATE) as estimated_end_date,
         CAST(issue_url AS STRING) as issue_url,
         CAST(notes AS STRING) as notes
       FROM `${GOOGLE_CLOUD_PROJECT}.pm_agent.wbs01`
       WHERE sprint IS NOT NULL AND sprint != ''
     )
     SELECT 
       sprint,
       COUNT(*) as total_tasks,
       COUNTIF(status = '完了') as completed_tasks,
       ROUND(COUNTIF(status = '完了') * 100.0 / COUNT(*), 1) as completion_rate,
       SUM(estimated_days) as total_estimated_days,
       COUNT(DISTINCT assignee) as assignee_count
     FROM wbs_data
     GROUP BY sprint
     ORDER BY sprint

（以下、他のツール定義も同様に続く...）

↑

* config.yaml（MCP サーバー設定） †

databases:

 wbs_bigquery:
   type: "bigquery"
   project_id: "obsidian-460615"
   dataset: "pm_agent"
   location: "US"
   credentials_path: "/app/credentials.json"

mcp:

 server:
   name: "wbs-manager"
   version: "1.0.0"

security:

 allowed_operations: ["SELECT", "INSERT", "UPDATE"]
 row_limit: 1000
↑

* Windows 用起動スクリプト例 †

@echo off echo Starting MCP Toolbox for Databases... docker-compose pull docker-compose up -d echo MCP Toolbox is running on http://localhost:8080 pause

↑

3. Google Cloud 認証の設定 †

  1. Google Cloud Console でサービスアカウントを作成し、BigQuery? ジョブユーザーおよびデータ閲覧者のロールを付与します。
  1. サービスアカウントのキーを JSON 形式で生成し、credentials.json として保存します。
  1. スプレッドシート（テンプレート）にこのサービスアカウントを閲覧者として追加します（共有ボタンからメールアドレスを招待）。
↑

SQL 操作例（外部テーブル） †

BigQuery? 外部テーブルを経由すれば、通常のテーブルと同様に SQL を実行できます。

↑

現在進行中のタスク確認 †

SELECT

 summary,
 assignee,
 status,
 estimated_days,
 estimated_end_date

FROM `obsidian-460615.pm_agent.wbs01` WHERE status IN ('進行中', '開始済み') ORDER BY estimated_end_date ASC;

↑

担当者別の作業負荷分析 †

SELECT

 assignee,
 COUNT(*) as task_count,
 SUM(estimated_days) as total_days,
 AVG(estimated_days) as avg_days

FROM `obsidian-460615.pm_agent.wbs01` WHERE status != '完了' GROUP BY assignee ORDER BY total_days DESC;

↑

スプリント別進捗サマリー †

SELECT

 sprint,
 COUNT(*) as total_tasks,
 SUM(CASE WHEN status = '完了' THEN 1 ELSE 0 END) as completed_tasks,
 ROUND(SUM(CASE WHEN status = '完了' THEN 1 ELSE 0 END) * 100.0 / COUNT(*), 1) as completion_rate

FROM `obsidian-460615.pm_agent.wbs01` GROUP BY sprint ORDER BY sprint;

↑

遅延リスクのあるタスク抽出 †

SELECT

 summary,
 assignee,
 estimated_end_date,
 DATE_DIFF(estimated_end_date, CURRENT_DATE(), DAY) as days_until_deadline

FROM `obsidian-460615.pm_agent.wbs01` WHERE status != '完了'

 AND DATE_DIFF(estimated_end_date, CURRENT_DATE(), DAY) <= 7

ORDER BY estimated_end_date ASC;

↑

動作確認 †

↑

ツールの一覧取得 †

curl http://localhost:5000/api/toolset

@modelcontextprotocol/inspector は Google が公開している **MCP サーバー向けの汎用的な検証ツール**です。これを使います。NPM パッケージとして配布されており、npx コマンドでインストールせずに実行できます。オプションでCLIとしても実行できます（CLIは今回使わない）。

↑

ツールの実行 †

npx @modelcontextprotocol/inspector

# 表示されたページから `Transport Type` を「STDIO」から「Streamable HTTP」に変更し、URLに `http://127.0.0.1:5000/mcp` を指定して接続

# ブラウザのURLをみると、トークン<YOUR_SESSION_TOKEN>がかいてあるのでメモ

↑

Claude Desktop との統合例 †

MCP サーバーが起動していれば、Claude Desktop から外部テーブルに対する SQL 操作が可能です。設定ファイルに MCP サーバーのエンドポイント（HTTP 経由など）を登録し、Claude に対して自然言語で問い合わせると、MCP がバックエンドで BigQuery? へクエリを実行して結果を返してくれます。

↑

まとめ †

以上、BigQuery? を活用した新しい構成の全文でした。実際の環境に合わせてパラメータを調整してご利用ください。

トップ   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS