Databricks MCPサーバー

「Databricks」MCPサーバーの機能とは？

Databricks MCP（Model Context Protocol）サーバーは、AIアシスタントとDatabricksプラットフォームを接続するための特化ツールであり、自然言語インターフェースを通じてDatabricksリソースをシームレスに操作できます。このサーバーは大規模言語モデル（LLM）とDatabricks APIの間の橋渡しとして機能し、LLMがSQLクエリの実行、ジョブの一覧取得、ジョブステータスの取得、詳細情報の取得を可能にします。これらの機能をMCPプロトコル経由で公開することで、開発者やAIエージェントはデータワークフローの自動化、Databricksジョブの管理、データベース操作の効率化を実現し、データ駆動型開発環境での生産性を向上させます。

プロンプト一覧

リポジトリ内にプロンプトテンプレートは記載されていません。

リソース一覧

リポジトリ内に明示的なリソースはありません。

ツール一覧

• run_sql_query(sql: str)
  Databricks SQLウェアハウスでSQLクエリを実行します。
• list_jobs()
  ワークスペース内のすべてのDatabricksジョブを一覧表示します。
• get_job_status(job_id: int)
  指定したIDのDatabricksジョブのステータスを取得します。
• get_job_details(job_id: int)
  指定したDatabricksジョブの詳細情報を取得します。

このMCPサーバーのユースケース

• データベースクエリア自動化
  LLMやユーザーが会話型インターフェースから直接Databricksウェアハウス上でSQLクエリを実行し、データ分析ワークフローを効率化します。
• ジョブ管理
  Databricksジョブの一覧や監視を行い、ワークスペース内で進行中または予定されたタスクを把握できます。
• ジョブステータス追跡
  特定のDatabricksジョブのステータスをすばやく取得し、効率的な監視やトラブルシューティングを可能にします。
• 詳細なジョブ調査
  Databricksジョブの詳細情報にアクセスし、ETLパイプラインやバッチジョブのデバッグ・最適化をサポートします。

セットアップ手順

Windsurf

1. Python 3.7+がインストールされており、Databricksの認証情報があることを確認します。
2. リポジトリをクローンし、pip install -r requirements.txtで依存パッケージをインストールします。
3. Databricks認証情報を記載した.envファイルを作成します。
4. Windsurfの設定にDatabricks MCPサーバーを追加します:

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

5. 設定を保存し、Windsurfを再起動してください。テストクエリでセットアップを確認します。

APIキーのセキュリティ例:

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

Claude

1. Python 3.7+をインストールし、リポジトリをクローンします。
2. Databricks認証情報を設定した.envファイルを用意します。
3. ClaudeのMCPインターフェースを構成します:

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

4. Claudeを再起動し、接続を検証します。

Cursor

1. リポジトリをクローンし、Python環境をセットアップします。
2. 依存関係をインストールし、認証情報入りの.envを作成します。
3. サーバーをCursorの設定に追加します:

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

4. 設定を保存し、接続をテストします。

Cline

1. 上記と同様にPythonと認証情報を準備します。
2. リポジトリをクローンし、要件をインストールし、.envを設定します。
3. Clineの設定にMCPサーバーのエントリを追加します:

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

4. 保存し、Clineを再起動してMCPサーバーの動作を確認します。

注意: 上記の設定例のように、APIキーやシークレットは必ず環境変数で安全に管理してください。

フロー内でのMCPの使い方

FlowHuntでのMCP利用

MCPサーバーをFlowHuntワークフローに統合するには、まずMCPコンポーネントをフローに追加し、AIエージェントに接続します。

MCPコンポーネントをクリックし、構成パネルを開きます。システムMCP設定セクションにて、次のJSON形式でMCPサーバー情報を入力してください。

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

設定が完了すると、AIエージェントはこのMCPをツールとして利用でき、すべての機能にアクセス可能になります。なお、“databricks” をご自身のMCPサーバー名に、URLもご自身のMCPサーバーURLに変更してください。

概要

| Rootsサポート | ⛔ | 記載なし |

コア機能（ツール、セットアップやセキュリティガイド）は利用可能ですが、リソースやプロンプトテンプレートが未整備のため、Databricks API統合には有効ながら一部MCPプリミティブが不足しています。MCPエコシステム全体での完成度・有用性は10点中6点と評価します。

MCPスコア