Keboola MCP Server

Hvad laver “Keboola” MCP Server?

Keboola MCP Server fungerer som en open-source bro mellem dit Keboola-projekt og moderne AI-værktøjer. Den forbinder AI-assistenter og MCP-klienter (såsom Claude, Cursor, Windsurf, VS Code og andre) til Keboola-platformen og eksponerer funktioner som storageadgang, SQL-transformationer, komponentstyring og jobtriggere som tilkaldelige værktøjer. Denne integration gør det muligt for AI-modeller og -agenter at forespørge tabeller, administrere konfigurationer, udføre jobs og interagere med metadata direkte fra deres miljø. Dermed strømlines udviklingsprocesser, overflødige scripts elimineres, og de rette data og muligheder er tilgængelige for AI-agenter, når der er behov, hvilket øger produktiviteten og muliggør komplekse automatiseringsscenarier.

Liste over Prompts

Liste over Ressourcer

Liste over Værktøjer

Baseret på repositoryets funktioner og tilgængelige dokumentation tilbyder Keboola MCP Server følgende værktøjer:

• Storage: Forespørg tabeller direkte og administrer tabel- eller bucket-beskrivelser i Keboola storage.
• Komponenter: Opret, vis og inspicér extractors, writers, data apps og transformations-konfigurationer.
• SQL: Opret og udfør SQL-transformationer ved hjælp af naturligt sprog.
• Jobs: Kør komponenter, trig transformationer og hent job-eksekveringsdetaljer.
• Metadata: Søg, læs og opdater projekt-dokumentation og objektmetadata.

Anvendelsesmuligheder for denne MCP Server

• Databasestyring: Forespørg og administrer tabeller eller buckets direkte i Keboola storage, så AI-agenter kan hente eller ændre projektdata.
• Kodebase- & konfigurationsudforskning: Vis, opret og inspicér extractors, writers og transformations-konfigurationer fra AI-værktøjer, så konfigurationsstyring forsimples.
• Automatiseret SQL-transformation: Brug naturligt sprog til at generere og udføre SQL-forespørgsler, så transformation og analyse af lagrede data går hurtigt.
• Joborkestrering & overvågning: Kør komponenter, orkestrer jobs og hent eksekveringshistorik, hvilket gør det let at automatisere og overvåge ETL-/dataflows.
• Metadata-håndtering: Søg, læs og opdater projekt-dokumentation og metadata, så information holdes organiseret og tilgængelig for både mennesker og AI-agenter.

Sådan opsætter du det

Windsurf

1. Sørg for, at du har Python 3.10+ og uv installeret.
2. Hent din Keboola Storage API-token og (hvis du bruger et brugerdefineret token) dit workspace schema.
3. Find MCP-konfigurationsfilen i Windsurf.
4. Tilføj Keboola MCP Server-indgangen med følgende JSON-stykke:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Gem konfigurationsfilen og genstart Windsurf.
6. Kontroller serverens tilgængelighed i Windsurf MCP-grænsefladen.

Sikker håndtering af API-nøgler (Windsurf)

{
  "mcpServers": {
    "keboola-mcp": {
      "command": "uv",
      "args": ["pip", "run", "--", "keboola-mcp-server"],
      "env": {
        "KBC_STORAGE_TOKEN": "${KBC_STORAGE_TOKEN}",
        "KBC_WORKSPACE_SCHEMA": "${KBC_WORKSPACE_SCHEMA}"
      },
      "inputs": {
        "KBC_STORAGE_TOKEN": "env",
        "KBC_WORKSPACE_SCHEMA": "env"
      }
    }
  }
}

Claude

1. Sørg for, at Python 3.10+ og uv er installeret.
2. Skaff de nødvendige Keboola-legitimationsoplysninger.
3. Åbn Claude-klientens MCP-konfiguration.
4. Indsæt Keboola MCP Server-opsætningen:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Gem og genstart Claude.
6. Bekræft, at serveren er tilgængelig fra Claude.

Cursor

1. Installer Python 3.10+ og uv.
2. Forbered din Keboola API-token og workspace schema.
3. Åbn Cursor MCP-konfigurationsfilen.
4. Tilføj følgende konfiguration:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Gem filen og genstart Cursor.
6. Tjek for en vellykket MCP-serverforbindelse.

Cline

1. Sørg for, at Python 3.10+ og uv er installeret.
2. Indsaml de nødvendige Keboola-legitimationsoplysninger.
3. Rediger MCP-serversektionen i Clines konfiguration.
4. Tilføj Keboola MCP Server-indgangen:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Gem konfigurationen og genstart Cline.
6. Bekræft korrekt serverdrift.

Bemærk: Beskyt følsomme legitimationsoplysninger som API-tokens ved at bruge miljøvariabler, som vist i Windsurf-eksemplet ovenfor.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt workflow 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 indsætter du dine MCP-serverdetaljer med dette JSON-format:

{
  "keboola-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når du har konfigureret det, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og muligheder. Husk at ændre “keboola-mcp” til det faktiske navn på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

Min evaluering: Keboola MCP Server leverer et stærkt sæt værktøjer og klare opsætningsvejledninger, men mangler dokumenterede prompt-skabeloner og eksplicitte MCP-ressource-definitioner. Dens fokus på at give AI-agenter adgang til komplekse dataworkflows er robust. Sampling og roots support er ikke dokumenteret. Samlet set er det en meget praktisk og produktionsklar MCP, men med nogle dokumentationsmangler for prompts/ressourcer.

MCP-score