Keboola MCP Server

Was macht der “Keboola” MCP Server?

Der Keboola MCP Server fungiert als Open-Source-Brücke zwischen Ihrem Keboola-Projekt und modernen KI-Tools. Er verbindet KI-Assistenten und MCP-Clients (wie Claude, Cursor, Windsurf, VS Code und andere) mit der Keboola-Plattform und stellt Funktionen wie Storage-Zugriff, SQL-Transformationen, Komponentenverwaltung und Jobauslösung als aufrufbare Tools bereit. Diese Integration ermöglicht es KI-Modellen und Agenten, Tabellen abzufragen, Konfigurationen zu verwalten, Jobs auszuführen und mit Metadaten direkt aus ihrer Umgebung zu interagieren. Dadurch werden Entwicklungsabläufe optimiert, Glue-Code überflüssig und sichergestellt, dass KI-Agenten bei Bedarf über die richtigen Daten und Funktionen verfügen – für höhere Produktivität und komplexe Automatisierungsszenarien.

Liste der Prompts

Liste der Ressourcen

Liste der Tools

Basierend auf den Features des Repositories und der verfügbaren Dokumentation stellt der Keboola MCP Server folgende Tools bereit:

• Storage: Tabellen direkt abfragen und Tabellen- oder Bucket-Beschreibungen im Keboola Storage verwalten.
• Components: Extractors, Writers, Data-Apps und Transformationen erstellen, auflisten und inspizieren.
• SQL: SQL-Transformationen in natürlicher Sprache erstellen und ausführen.
• Jobs: Komponenten ausführen, Transformationen auslösen und Jobausführungsdetails abrufen.
• Metadata: Projektdokumentation und Objektmetadaten durchsuchen, lesen und aktualisieren.

Anwendungsfälle dieses MCP Servers

• Datenbankverwaltung: Tabellen oder Buckets im Keboola Storage direkt abfragen und verwalten, damit KI-Agenten Projektdaten abrufen oder ändern können.
• Codebase- & Konfigurationsexploration: Extractors, Writers und Transformationen aus KI-Tools heraus auflisten, erstellen und inspizieren, was das Konfigurationsmanagement vereinfacht.
• Automatisierte SQL-Transformation: Mit natürlicher Sprache SQL-Abfragen generieren und ausführen, um gespeicherte Daten schnell zu transformieren und zu analysieren.
• Job-Orchestrierung & Monitoring: Komponenten ausführen, Jobs orchestrieren und Ausführungshistorien abrufen, um ETL-/Datenworkflows einfach zu automatisieren und zu überwachen.
• Metadaten-Handling: Projektdokumentation und Metadaten durchsuchen, lesen und aktualisieren, damit Informationen für Mensch und KI-Agenten organisiert und zugänglich bleiben.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass Python 3.10+ und uv installiert sind.
2. Beschaffen Sie Ihr Keboola Storage API-Token und (bei benutzerdefiniertem Token) Ihr Workspace-Schema.
3. Suchen Sie in Windsurf die MCP-Konfigurationsdatei.
4. Fügen Sie den Keboola MCP Server-Eintrag mit folgendem JSON-Snippet hinzu:

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

5. Speichern Sie die Konfigurationsdatei und starten Sie Windsurf neu.
6. Überprüfen Sie die Serververfügbarkeit in der Windsurf MCP-Oberfläche.

Absichern von API-Keys (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. Stellen Sie sicher, dass Python 3.10+ und uv installiert sind.
2. Beschaffen Sie die notwendigen Keboola-Zugangsdaten.
3. Öffnen Sie die Claude MCP-Konfiguration.
4. Fügen Sie die Keboola MCP Server-Konfiguration wie folgt ein:

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

5. Speichern und starten Sie Claude neu.
6. Bestätigen Sie die Erreichbarkeit des Servers aus Claude.

Cursor

1. Installieren Sie Python 3.10+ und uv.
2. Bereiten Sie Ihr Keboola API-Token und Ihr Workspace-Schema vor.
3. Öffnen Sie die MCP-Konfigurationsdatei von Cursor.
4. Fügen Sie folgende Konfiguration hinzu:

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

5. Speichern Sie die Datei und starten Sie Cursor neu.
6. Überprüfen Sie die erfolgreiche Verbindung zum MCP-Server.

Cline

1. Stellen Sie sicher, dass Python 3.10+ und uv installiert sind.
2. Sammeln Sie die erforderlichen Keboola-Zugangsdaten.
3. Bearbeiten Sie den MCP-Server-Abschnitt in der Cline-Konfiguration.
4. Fügen Sie den Keboola MCP Server-Eintrag hinzu:

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

5. Speichern Sie die Konfiguration und starten Sie Cline neu.
6. Überprüfen Sie den ordnungsgemäßen Betrieb des Servers.

Hinweis: Sichern Sie sensible Zugangsdaten wie API-Tokens mittels Umgebungsvariablen, wie im Windsurf-Beispiel oben gezeigt.

Verwendung dieses MCP in Flows

MCP in FlowHunt verwenden

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

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Abschnitt zur System-MCP-Konfiguration geben Sie Ihre MCP-Server-Details in folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Fähigkeiten verwenden. Denken Sie daran, “keboola-mcp” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL durch die eigene MCP-Server-URL auszutauschen.

Übersicht

Meine Bewertung: Der Keboola MCP Server bietet ein starkes Set an Tools und klare Setup-Anweisungen, aber es fehlen dokumentierte Prompt-Vorlagen und explizite MCP-Ressourcendefinitionen. Der Fokus auf die Ermöglichung von KI-Agenten-Zugriff auf komplexe Datenworkflows ist robust. Sampling- und Roots-Support sind nicht dokumentiert. Insgesamt ein sehr praxisnaher und produktionsbereiter MCP, jedoch mit einigen Dokumentationslücken bei Prompts/Ressourcen.

MCP Score