Servidor MCP de Keboola

¿Qué hace el Servidor “Keboola” MCP?

El Servidor MCP de Keboola actúa como un puente de código abierto entre tu proyecto Keboola y herramientas modernas de IA. Conecta asistentes de IA y clientes MCP (como Claude, Cursor, Windsurf, VS Code y otros) con la plataforma Keboola, exponiendo funciones como acceso a almacenamiento, transformaciones SQL, gestión de componentes y disparadores de trabajos como herramientas invocables. Esta integración permite que modelos y agentes de IA consulten tablas, gestionen configuraciones, ejecuten trabajos e interactúen con metadatos directamente desde su entorno. Así, agiliza los flujos de trabajo de desarrollo, elimina código intermedio y asegura que los agentes de IA tengan acceso a los datos y capacidades correctas cuando se necesiten, aumentando la productividad y habilitando escenarios complejos de automatización.

Lista de Prompts

Lista de Recursos

Lista de Herramientas

Según las características del repositorio y la documentación disponible, el Servidor MCP de Keboola proporciona las siguientes herramientas:

• Storage (Almacenamiento): Consulta tablas directamente y gestiona descripciones de tablas o buckets dentro del almacenamiento de Keboola.
• Components (Componentes): Crea, lista e inspecciona extractores, writers, aplicaciones de datos y configuraciones de transformaciones.
• SQL: Crea y ejecuta transformaciones SQL usando lenguaje natural.
• Jobs (Trabajos): Ejecuta componentes, dispara transformaciones y recupera detalles de ejecución de trabajos.
• Metadata (Metadatos): Busca, lee y actualiza documentación del proyecto y metadatos de objetos.

Casos de uso de este Servidor MCP

• Gestión de bases de datos: Consulta y gestiona directamente tablas o buckets en el almacenamiento de Keboola, permitiendo que agentes de IA obtengan o modifiquen datos del proyecto.
• Exploración de código base y configuraciones: Lista, crea e inspecciona extractores, writers y configuraciones de transformaciones desde herramientas de IA, simplificando la gestión de configuraciones.
• Automatización de transformaciones SQL: Usa lenguaje natural para generar y ejecutar consultas SQL, permitiendo una transformación y análisis rápido de los datos almacenados.
• Orquestación y monitorización de trabajos: Ejecuta componentes, orquesta trabajos y recupera historiales de ejecución, facilitando la automatización y supervisión de flujos ETL/datos.
• Gestión de metadatos: Busca, lee y actualiza la documentación del proyecto y los metadatos para mantener la información organizada y accesible tanto para humanos como para agentes de IA.

Cómo configurarlo

Windsurf

1. Asegúrate de tener Python 3.10+ y uv instalado.
2. Obtén tu token de la API de almacenamiento de Keboola y (si usas un token personalizado) tu esquema de workspace.
3. En Windsurf, localiza el archivo de configuración MCP.
4. Añade la entrada para el Servidor MCP de Keboola usando el siguiente fragmento JSON:

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

5. Guarda el archivo de configuración y reinicia Windsurf.
6. Verifica la disponibilidad del servidor en la interfaz MCP de Windsurf.

Asegurando las claves API (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. Asegúrate de tener Python 3.10+ y uv instalado.
2. Obtén las credenciales de Keboola necesarias.
3. Abre la configuración MCP del cliente Claude.
4. Inserta la configuración del Servidor MCP de Keboola:

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

5. Guarda y reinicia Claude.
6. Confirma que el servidor sea accesible desde Claude.

Cursor

1. Instala Python 3.10+ y uv.
2. Prepara tu token de la API de Keboola y el esquema de workspace.
3. Abre el archivo de configuración MCP de Cursor.
4. Añade la siguiente configuración:

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

5. Guarda el archivo y reinicia Cursor.
6. Comprueba la conexión exitosa con el servidor MCP.

Cline

1. Asegúrate de tener Python 3.10+ y uv instalado.
2. Reúne las credenciales requeridas de Keboola.
3. Edita la sección de servidores MCP en la configuración de Cline.
4. Añade la entrada del Servidor MCP de Keboola:

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

5. Guarda la configuración y reinicia Cline.
6. Verifica el funcionamiento correcto del servidor.

Nota: Protege credenciales sensibles como los tokens de API usando variables de entorno, como se muestra en el ejemplo de Windsurf arriba.

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza añadiendo el componente MCP a tu flujo y conectándolo con tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración MCP del sistema, inserta los datos de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá utilizar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “keboola-mcp” por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Mi evaluación: El Servidor MCP de Keboola proporciona un sólido conjunto de herramientas e instrucciones de configuración claras, pero carece de plantillas de prompts documentadas y definiciones explícitas de recursos MCP. Su enfoque en habilitar el acceso de agentes de IA a flujos de datos complejos es robusto. El soporte de muestreo y raíces no está documentado. En general, es un MCP altamente práctico y listo para producción, aunque con algunas carencias de documentación en prompts/recursos.

Puntuación MCP