Serveur MCP Keboola

À quoi sert le serveur MCP « Keboola » ?

Le serveur MCP Keboola agit comme un pont open source entre votre projet Keboola et les outils d’IA modernes. Il connecte les assistants IA et les clients MCP (tels que Claude, Cursor, Windsurf, VS Code, et d’autres) à la plateforme Keboola, exposant des fonctionnalités telles que l’accès au stockage, les transformations SQL, la gestion des composants et le déclenchement de tâches comme des outils appelables. Cette intégration permet aux modèles et agents IA d’interroger des tables, de gérer des configurations, d’exécuter des tâches et d’interagir avec les métadonnées directement depuis leur environnement. Ce faisant, elle simplifie les workflows de développement, élimine le code d’intégration superflu et garantit que les bonnes données et capacités sont disponibles pour les agents IA au bon moment, augmentant la productivité et permettant des scénarios d’automatisation complexes.

Liste des Prompts

Liste des ressources

Liste des outils

Sur la base des fonctionnalités du dépôt et de la documentation disponible, les outils suivants sont fournis par le serveur MCP Keboola :

• Stockage : Interroger directement les tables et gérer la description des tables ou des buckets dans le stockage Keboola.
• Composants : Créer, lister et inspecter les extracteurs, writers, applications de données et configurations de transformation.
• SQL : Créer et exécuter des transformations SQL à l’aide du langage naturel.
• Tâches : Exécuter des composants, déclencher des transformations et récupérer les détails d’exécution des tâches.
• Métadonnées : Rechercher, lire et mettre à jour la documentation du projet et les métadonnées des objets.

Cas d’usage de ce serveur MCP

• Gestion de base de données : Interroger et gérer directement les tables ou buckets du stockage Keboola, permettant aux agents IA de récupérer ou modifier les données du projet.
• Exploration du code et des configurations : Lister, créer et inspecter les extracteurs, writers et configurations de transformation depuis des outils IA, simplifiant la gestion des configurations.
• Transformation SQL automatisée : Utiliser le langage naturel pour générer et exécuter des requêtes SQL, permettant une transformation et une analyse rapide des données stockées.
• Orchestration et surveillance des tâches : Exécuter des composants, orchestrer des tâches et récupérer l’historique des exécutions, facilitant l’automatisation et la supervision des workflows ETL/données.
• Gestion des métadonnées : Rechercher, lire et mettre à jour la documentation du projet et les métadonnées pour garder l’information organisée et accessible aussi bien pour les humains que pour les agents IA.

Comment le configurer

Windsurf

1. Assurez-vous d’avoir Python 3.10+ et uv installés.
2. Obtenez votre jeton API de stockage Keboola et, si besoin, votre schéma d’espace de travail.
3. Dans Windsurf, localisez le fichier de configuration MCP.
4. Ajoutez l’entrée serveur MCP Keboola avec le bloc JSON suivant :

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

5. Enregistrez le fichier de configuration et redémarrez Windsurf.
6. Vérifiez la disponibilité du serveur dans l’interface MCP de Windsurf.

Sécurisation des clés 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. Assurez-vous que Python 3.10+ et uv sont installés.
2. Obtenez les identifiants nécessaires pour Keboola.
3. Ouvrez la configuration MCP du client Claude.
4. Insérez la configuration serveur MCP Keboola :

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

5. Enregistrez et redémarrez Claude.
6. Confirmez que le serveur est accessible depuis Claude.

Cursor

1. Installez Python 3.10+ et uv.
2. Préparez votre jeton API Keboola et votre schéma d’espace de travail.
3. Ouvrez le fichier de configuration MCP de Cursor.
4. Ajoutez la configuration suivante :

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

5. Enregistrez le fichier et redémarrez Cursor.
6. Vérifiez la connexion au serveur MCP.

Cline

1. Vérifiez que Python 3.10+ et uv sont installés.
2. Récupérez les identifiants requis pour Keboola.
3. Modifiez la section des serveurs MCP dans la configuration de Cline.
4. Ajoutez l’entrée serveur MCP Keboola :

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

5. Enregistrez la configuration et redémarrez Cline.
6. Vérifiez le bon fonctionnement du serveur.

Remarque : Sécurisez les identifiants sensibles comme les jetons d’API via des variables d’environnement, comme montré dans l’exemple Windsurf ci-dessus.

Comment utiliser ce MCP dans les flows

Utilisation du MCP dans FlowHunt

Pour intégrer les serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration système MCP, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois la configuration effectuée, l’agent IA pourra utiliser ce MCP comme outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer « keboola-mcp » par le vrai nom de votre serveur MCP et l’URL par celle de votre serveur MCP.

Vue d’ensemble

Mon évaluation : Le serveur MCP Keboola fournit un ensemble solide d’outils et des instructions de configuration claires, mais manque de modèles de prompts documentés et de définitions explicites de ressources MCP. Son focus sur l’accès aux workflows de données complexes pour les agents IA est robuste. Le sampling et le support « roots » ne sont pas documentés. Globalement, c’est un MCP très pratique et prêt pour la production, même si la documentation sur les prompts/ressources pourrait être améliorée.

Score MCP