Databricks Genie MCP Server

Hvad laver “Databricks Genie” MCP Server?

Databricks Genie MCP Server er en Model Context Protocol (MCP) server, der er designet til at bygge bro mellem AI-assistenter og Databricks Genie API’et. Denne integration gør det muligt for store sprogmodeller (LLMs) at interagere med Databricks-miljøer ved hjælp af naturligt sprog. Via serveren kan LLM’er udføre handlinger som at liste Genie spaces, hente workspace-metadata, starte og håndtere Genie-samtaler samt køre SQL-forespørgsler – alt sammen via standardiserede MCP-værktøjer. Ved at fungere som forbindelsesled gør Databricks Genie MCP Server det muligt for udviklere at forbedre deres arbejdsgange med samtalebaseret dataudforskning, direkte SQL-forespørgsler og problemfri interaktion med Databricks’ samtaleagenter, hvilket effektiviserer datadrevet udvikling og analyse.

Liste over Prompter

Ingen eksplicitte promptskabeloner er dokumenteret i repoen.

Liste over Ressourcer

Ingen eksplicitte ressourcer er beskrevet i repoen.

Liste over Værktøjer

• get_genie_space_id()
  Lister tilgængelige Genie space-ID’er og titler i dit Databricks workspace.
• get_space_info(space_id: str)
  Henter titel og beskrivelsesmetadata for et angivet Genie space.
• ask_genie(space_id: str, question: str)
  Starter en ny Genie-samtale ved at stille et spørgsmål i naturligt sprog og returnerer SQL og resultattabeller.
• follow_up(space_id: str, conversation_id: str, question: str)
  Fortsætter en eksisterende Genie-samtale med et opfølgende spørgsmål.

Anvendelsesmuligheder for denne MCP Server

• Samtalebaseret dataudforskning
  Udviklere og analytikere kan bruge naturligt sprog til interaktivt at forespørge Databricks-data via Genie, hvilket gør dataanalyse mere tilgængelig og intuitiv.
• Automatiseret SQL-forespørgselsgenerering
  Serveren omsætter spørgsmål i naturligt sprog til SQL-forespørgsler, kører dem på Genie spaces og returnerer strukturerede resultater – hvilket sparer tid og minimerer fejl.
• Hentning af workspace-metadata
  Hent nemt metadata (titler, beskrivelser) om Genie spaces for at forstå og dokumentere tilgængelige dataressourcer.
• Samtalestyring
  Bevar kontekst over samtaler med flere omgange, så du kan gennemføre komplekse analytiske arbejdsgange, hvor spørgsmål bygger videre på tidligere svar.
• Integration med AI-assistenter
  Tilføj nemt Databricks Genie-funktioner til AI-drevne IDE’er eller chatgrænseflader og effektiviser data science-arbejdsgange i velkendte værktøjer.

Sådan sættes det op

Windsurf

1. Sørg for, at Python 3.7+ er installeret på dit system.
2. Klon Databricks Genie MCP-repositoriet og installer afhængigheder.
3. Opret en .env-fil med dine Databricks-legitimationsoplysninger (DATABRICKS_HOST og DATABRICKS_TOKEN).
4. Tilføj MCP-serveren til din Windsurf-konfiguration med følgende JSON-udsnit:

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

5. Genstart Windsurf og verificer, at serveren vises blandt dine tilgængelige MCP-servere.
6. Sådan sikres API-nøgler:
   Brug miljøvariabler til at holde legitimationsoplysninger sikre. Eksempel:

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

Claude

1. Installer Python 3.7+ og afhængigheder fra repoen.
2. Konfigurer .env med din Databricks host og token.
3. Fra projektmappen, kør:

   mcp install main.py
   

4. Åbn Claude Desktop, gå til Ressourcer → Tilføj ressource, og vælg din Genie MCP Server.
5. Start samtale med dine Databricks-data.

Cursor

1. Sørg for, at alle forudsætninger og afhængigheder er opfyldt, og at .env er konfigureret.
2. Tilføj følgende til din Cursor-konfiguration:

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

3. Gem konfigurationen og genstart Cursor.
4. Verificer serverforbindelsen og sørg for, at miljøvariablerne er sat som vist ovenfor.

Cline

1. Installer Python 3.7+, klon repoen, og opsæt din .env.
2. Tilføj MCP-serveren i din Cline-konfiguration:

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

3. Genstart Cline og verificer, at MCP-serveren er aktiv.
4. Brug miljøvariabler for at beskytte dine legitimationsoplysninger.

Sådan bruger du denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-flow skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsættes dine MCP-server-oplysninger i dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og muligheder. Husk at ændre “databricks-genie” til navnet på din MCP-server og indsætte din egen MCP-server-URL.

Oversigt

Vores vurdering

Databricks Genie MCP Server giver en praktisk bro mellem Databricks og LLM’er med klare opsætningsvejledninger og værktøjer. Dog mangler den promptskabeloner, eksplicitte ressourcer og dokumentation for avancerede MCP-funktioner som sampling eller roots. Kerneværktøjerne er veldefinerede og nyttige for Databricks-brugere. Samlet set scorer den over gennemsnittet men kunne drage fordel af mere omfattende MCP-funktionalitet.

MCP-score