Databricks MCP-Server

Was macht der “Databricks” MCP-Server?

Der Databricks MCP (Model Context Protocol) Server ist ein spezialisiertes Tool, das KI-Assistenten mit der Databricks-Plattform verbindet und so eine nahtlose Interaktion mit Databricks-Ressourcen über natürliche Sprachschnittstellen ermöglicht. Dieser Server fungiert als Brücke zwischen großen Sprachmodellen (LLMs) und Databricks-APIs und erlaubt es LLMs, SQL-Abfragen auszuführen, Jobs aufzulisten, Job-Status abzurufen und detaillierte Job-Informationen einzuholen. Durch die Bereitstellung dieser Funktionen über das MCP-Protokoll ermöglicht der Databricks MCP-Server Entwicklern und KI-Agenten die Automatisierung von Daten-Workflows, das Management von Databricks-Jobs und die Optimierung von Datenbankoperationen – und steigert so die Produktivität in datengetriebenen Entwicklungsumgebungen.

Liste der Prompts

Im Repository sind keine Prompt-Vorlagen beschrieben.

Liste der Ressourcen

Im Repository sind keine expliziten Ressourcen aufgeführt.

Liste der Tools

• run_sql_query(sql: str)
  Führt SQL-Abfragen auf dem Databricks SQL Warehouse aus.
• list_jobs()
  Listet alle Databricks-Jobs im Workspace auf.
• get_job_status(job_id: int)
  Ruft den Status eines bestimmten Databricks-Jobs anhand der ID ab.
• get_job_details(job_id: int)
  Holt detaillierte Informationen zu einem bestimmten Databricks-Job.

Anwendungsfälle dieses MCP-Servers

• Automatisierung von Datenbankabfragen
  Ermöglicht es LLMs und Nutzern, SQL-Abfragen auf Databricks Warehouses direkt aus Konversationsschnittstellen heraus auszuführen und so Datenanalyse-Workflows zu beschleunigen.
• Job-Management
  Listet Databricks-Jobs auf und überwacht diese, damit Nutzer Aufgaben in ihrem Workspace im Blick behalten.
• Job-Status-Tracking
  Ruft schnell den Status bestimmter Databricks-Jobs ab, um Monitoring und Fehlerbehebung zu erleichtern.
• Detaillierte Job-Inspektion
  Gewährt Zugriff auf tiefergehende Informationen zu Databricks-Jobs zur Fehleranalyse und Optimierung von ETL-Pipelines oder Batch-Jobs.

So richten Sie es ein

Windsurf

1. Stellen Sie sicher, dass Python 3.7+ installiert ist und Databricks-Zugangsdaten verfügbar sind.
2. Klonen Sie das Repository und installieren Sie die Anforderungen mit pip install -r requirements.txt.
3. Erstellen Sie eine .env-Datei mit Ihren Databricks-Zugangsdaten.
4. Fügen Sie den Databricks MCP-Server zu Ihrer Windsurf-Konfiguration hinzu:

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

5. Speichern Sie die Konfiguration und starten Sie Windsurf neu. Überprüfen Sie die Einrichtung durch Ausführen einer Testabfrage.

Beispiel zur Absicherung von API-Schlüsseln:

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

Claude

1. Installieren Sie Python 3.7+ und klonen Sie das Repository.
2. Richten Sie die .env-Datei mit Databricks-Zugangsdaten ein.
3. Konfigurieren Sie die MCP-Schnittstelle von Claude:

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

4. Starten Sie Claude neu und prüfen Sie die Verbindung.

Cursor

1. Klonen Sie das Repository und richten Sie die Python-Umgebung ein.
2. Installieren Sie die Abhängigkeiten und erstellen Sie eine .env mit Zugangsdaten.
3. Fügen Sie den Server zur Cursor-Konfiguration hinzu:

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

4. Konfiguration speichern und Verbindung testen.

Cline

1. Bereiten Sie Python und Zugangsdaten wie oben vor.
2. Klonen Sie das Repository, installieren Sie die Anforderungen und konfigurieren Sie .env.
3. Fügen Sie den MCP-Server in die Cline-Konfiguration ein:

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

4. Speichern, Cline neu starten und prüfen, ob der MCP-Server läuft.

Hinweis: Sichern Sie Ihre API-Schlüssel und Geheimnisse immer, indem Sie Umgebungsvariablen wie in den obigen Konfigurationsbeispielen verwenden.

So nutzen Sie diesen MCP in Flows

Verwendung von MCP in FlowHunt

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie diese mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Geben Sie im Bereich der System-MCP-Konfiguration Ihre MCP-Serverdaten in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle seine Funktionen nutzen. Denken Sie daran, “databricks” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL entsprechend anzupassen.

Übersicht

| Roots Support | ⛔ | Nicht erwähnt |

Basierend auf der Verfügbarkeit von Kernfunktionen (Tools, Setup- und Sicherheitshinweise, aber keine Ressourcen oder Prompt-Vorlagen) eignet sich der Databricks MCP-Server gut für die Databricks-API-Integration, es fehlen jedoch einige fortgeschrittene MCP-Primitiven. Ich würde diesem MCP-Server eine 6 von 10 für Gesamtvollständigkeit und Nutzen im Kontext des MCP-Ökosystems geben.

MCP-Score