Databricks Genie MCP Server

Co dělá “Databricks Genie” MCP Server?

Databricks Genie MCP Server je server postavený na Model Context Protocol (MCP), který slouží jako most mezi AI asistenty a Genie API od Databricks. Tato integrace umožňuje velkým jazykovým modelům (LLM) interagovat s prostředím Databricks pomocí přirozeného jazyka. Prostřednictvím tohoto serveru mohou LLM provádět akce jako výpis Genie spaces, získávání metadat workspace, zahajování a správu Genie konverzací i spouštění SQL dotazů – to vše přes standardizované nástroje MCP. Databricks Genie MCP Server tak umožňuje vývojářům obohatit své workflow o konverzační průzkum dat, přímé SQL dotazování a plynulou interakci s konverzačními agenty Databricks, čímž zefektivňuje datově řízený vývoj i analýzu.

Seznam promptů

V repozitáři nejsou zdokumentovány žádné explicitní šablony promptů.

Seznam zdrojů

V repozitáři nejsou popsány žádné explicitní zdroje.

Seznam nástrojů

• get_genie_space_id()
  Vypíše dostupné ID a názvy Genie spaces ve vašem Databricks workspace.
• get_space_info(space_id: str)
  Získá metadata (název a popis) zvoleného Genie space.
• ask_genie(space_id: str, question: str)
  Zahájí novou Genie konverzaci položením otázky v přirozeném jazyce a vrátí SQL i tabulky s výsledky.
• follow_up(space_id: str, conversation_id: str, question: str)
  Pokračuje v existující Genie konverzaci navazující otázkou.

Příklady využití tohoto MCP serveru

• Konverzační průzkum dat
  Vývojáři a analytici mohou dotazovat Databricks data interaktivně v přirozeném jazyce přes Genie, což dělá analýzu dat přístupnější a intuitivnější.
• Automatizovaná generace SQL dotazů
  Server převádí otázky v přirozeném jazyce na SQL dotazy, které provádí nad Genie spaces a vrací strukturované výsledky – šetří čas a snižuje chybovost.
• Získávání metadat workspace
  Snadno získáte metadata (názvy, popisy) o Genie spaces pro přehled a dokumentaci dostupných datových zdrojů.
• Správa konverzací
  Uchovávejte kontext v rámci vícekrokových konverzací, což umožňuje komplexní analytické workflow, kde otázky navazují na předchozí odpovědi.
• Integrace s AI asistenty
  Plynule rozšiřte schopnosti Databricks Genie do AI IDE nebo chatovacích rozhraní a zefektivněte datové workflow v dobře známých nástrojích.

Jak jej nastavit

Windsurf

1. Ujistěte se, že máte v systému nainstalován Python 3.7+.
2. Naklonujte repozitář Databricks Genie MCP a nainstalujte potřebné závislosti.
3. Vytvořte soubor .env s přihlašovacími údaji Databricks (DATABRICKS_HOST a DATABRICKS_TOKEN).
4. Do konfigurace Windsurf přidejte MCP server pomocí následujícího JSON úryvku:

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

5. Restartujte Windsurf a ověřte, že se server objevil v dostupných MCP serverech.
6. Zabezpečení API klíčů:
   Přihlašovací údaje uchovávejte v proměnných prostředí. Příklad:

   {
     "env": {
       "DATABRICKS_HOST": "your-databricks-instance.cloud.databricks.com",
       "DATABRICKS_TOKEN": "your-personal-access-token"
     },
     "inputs": {}
   }
   

Claude

1. Nainstalujte Python 3.7+ a závislosti z repozitáře.
2. Nakonfigurujte .env s hostem a tokenem Databricks.
3. Ve složce projektu spusťte:

   mcp install main.py
   

4. Otevřete Claude Desktop, přejděte do Resources → Add Resource a vyberte svůj Genie MCP Server.
5. Začněte komunikovat s daty v Databricks.

Cursor

1. Ověřte, že jsou splněny všechny předpoklady a závislosti a že je nakonfigurován soubor .env.
2. Do konfigurace Cursor přidejte:

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

3. Uložte konfiguraci a restartujte Cursor.
4. Ověřte připojení k serveru a že jsou proměnné prostředí nastaveny dle výše uvedeného příkladu.

Cline

1. Nainstalujte Python 3.7+, naklonujte repozitář a nastavte svůj .env.
2. MCP server přidejte do konfigurace Cline:

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

3. Restartujte Cline a ověřte, že je MCP server aktivní.
4. Přihlašovací údaje chraňte pomocí proměnných prostředí.

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do svého flow a jejím propojením s AI agentem:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP zadejte detaily vašeho MCP serveru v tomto JSON formátu:

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

Po uložení je AI agent schopen využít tento MCP jako nástroj se všemi jeho funkcemi. Nezapomeňte změnit “databricks-genie” na skutečný název vašeho MCP serveru a upravit URL na tu vaši.

Přehled

Náš názor

Databricks Genie MCP Server představuje praktický most mezi Databricks a LLM, s jasnými pokyny k nastavení a nástroji. Chybí však šablony promptů, explicitní zdroje a dokumentace k pokročilým MCP funkcím jako sampling nebo roots. Základní nástroje jsou dobře definované a užitečné pro uživatele Databricks. Celkově hodnotíme nadprůměrně, ale server by těžil z širšího využití MCP funkcí.

MCP skóre