Databricks MCP Server

Co dělá „Databricks“ MCP Server?

Databricks MCP (Model Context Protocol) Server je specializovaný nástroj, který propojuje AI asistenty s platformou Databricks a umožňuje bezproblémovou interakci s prostředky Databricks prostřednictvím rozhraní v přirozeném jazyce. Tento server funguje jako most mezi velkými jazykovými modely (LLMs) a API Databricks a umožňuje LLMs spouštět SQL dotazy, vypisovat úlohy, zjišťovat stav úloh a získávat detailní informace o úlohách. Díky zpřístupnění těchto možností přes MCP protokol umožňuje Databricks MCP Server vývojářům a AI agentům automatizovat datové workflowy, spravovat úlohy v Databricks a zefektivnit databázové operace, což zvyšuje produktivitu v datově orientovaných vývojových prostředích.

Seznam promptů

V repozitáři nejsou popsány žádné šablony promptů.

Seznam zdrojů

V repozitáři nejsou uvedeny žádné explicitní zdroje.

Seznam nástrojů

• run_sql_query(sql: str)
  Spuštění SQL dotazů na Databricks SQL warehouse.
• list_jobs()
  Výpis všech úloh v pracovním prostoru Databricks.
• get_job_status(job_id: int)
  Získání stavu konkrétní úlohy v Databricks podle jejího ID.
• get_job_details(job_id: int)
  Získání detailních informací o konkrétní úloze v Databricks.

Příklady použití tohoto MCP Serveru

• Automatizace databázových dotazů
  Umožněte LLMs a uživatelům spouštět SQL dotazy na Databricks warehousy přímo z konverzačních rozhraní a zjednodušte workflowy datové analýzy.
• Správa úloh
  Vypisujte a sledujte úlohy v Databricks, což pomáhá uživatelům sledovat probíhající nebo plánované úkoly ve svém workspace.
• Sledování stavu úloh
  Rychle získejte stav konkrétních úloh v Databricks pro efektivní monitorování a řešení problémů.
• Podrobná inspekce úloh
  Přístup k detailním informacím o úlohách v Databricks pro ladění a optimalizaci ETL pipelinek nebo dávkových úloh.

Jak nastavit

Windsurf

1. Ujistěte se, že máte nainstalovaný Python 3.7+ a jsou dostupné přihlašovací údaje k Databricks.
2. Naklonujte repozitář a nainstalujte požadavky pomocí pip install -r requirements.txt.
3. Vytvořte soubor .env se svými přihlašovacími údaji k Databricks.
4. Přidejte Databricks MCP Server do své konfigurace Windsurf:

   {
     "mcpServers": {
       "databricks": {
         "command": "python",
         "args": ["main.py"]
       }
     }
   }
   

5. Uložte konfiguraci a restartujte Windsurf. Ověřte nastavení spuštěním testovacího dotazu.

Příklad zabezpečení API klíčů:

{
  "mcpServers": {
    "databricks": {
      "command": "python",
      "args": ["main.py"],
      "env": {
        "DATABRICKS_HOST": "${DATABRICKS_HOST}",
        "DATABRICKS_TOKEN": "${DATABRICKS_TOKEN}",
        "DATABRICKS_HTTP_PATH": "${DATABRICKS_HTTP_PATH}"
      }
    }
  }
}

Claude

1. Nainstalujte Python 3.7+ a naklonujte repozitář.
2. Nastavte soubor .env s přihlašovacími údaji k Databricks.
3. Nakonfigurujte MCP rozhraní Clauda:

   {
     "mcpServers": {
       "databricks": {
         "command": "python",
         "args": ["main.py"]
       }
     }
   }
   

4. Restartujte Clauda a ověřte připojení.

Cursor

1. Naklonujte repozitář a nastavte Python prostředí.
2. Nainstalujte závislosti a vytvořte .env s přihlašovacími údaji.
3. Přidejte server do konfigurace Cursor:

   {
     "mcpServers": {
       "databricks": {
         "command": "python",
         "args": ["main.py"]
       }
     }
   }
   

4. Uložte konfiguraci a otestujte připojení.

Cline

1. Připravte Python a přihlašovací údaje jako výše.
2. Naklonujte repozitář, nainstalujte požadavky a nastavte .env.
3. Přidejte MCP server do konfigurace Cline:

   {
     "mcpServers": {
       "databricks": {
         "command": "python",
         "args": ["main.py"]
       }
     }
   }
   

4. Uložte, restartujte Cline a ověřte, že MCP Server funguje.

Poznámka: Vždy zabezpečte své API klíče a tajné údaje pomocí proměnných prostředí, jak je ukázáno v příkladech konfigurace výše.

Jak použít tento MCP ve flowech

Použití MCP ve FlowHunt

Pro integraci MCP serverů do workflowu ve FlowHunt přidejte do svého flowu komponentu MCP a propojte ji s AI agentem:

Klikněte na komponentu MCP pro otevření konfiguračního panelu. Do sekce systémové MCP konfigurace vložte údaje o svém MCP serveru v tomto JSON formátu:

{
  "databricks": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci může AI agent tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “databricks” na skutečný název vašeho MCP serveru a nahradit URL vlastním odkazem na váš MCP server.

Přehled

| Podpora roots | ⛔ | Není zmíněno |

Na základě dostupnosti klíčových funkcí (nástroje, pokyny k nastavení a zabezpečení, ale chybějící zdroje a šablony promptů) je Databricks MCP Server efektivní pro integraci s API Databricks, ale postrádá některé pokročilé MCP prvky. Tento MCP server hodnotím 6 z 10 za celkovou úplnost a užitečnost v rámci MCP ekosystému.

MCP skóre