Databricks Genie MCPサーバー

「Databricks Genie」MCPサーバーとは？

Databricks Genie MCPサーバーは、AIアシスタントとDatabricks Genie APIを橋渡しするModel Context Protocol（MCP）サーバーです。この統合により、大規模言語モデル（LLM）が自然言語でDatabricks環境と対話できるようになります。サーバーを通じて、LLMはGenieスペースの一覧取得、ワークスペースメタデータの取得、会話の開始・管理、SQLクエリの実行など、標準化されたMCPツールですべて操作可能です。Databricks Genie MCPサーバーはコネクターとして機能し、開発者は会話型データ探索、直接的なSQLクエリ、Databricks会話エージェントとのシームレスなやり取りを通じてデータ駆動型の開発・分析を効率化できます。

プロンプト一覧

リポジトリには明示的な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

リポジトリには明示的なリソースは記載されていません。

ツール一覧

• get_genie_space_id()
  Databricksワークスペース内の利用可能なGenieスペースIDとタイトルを一覧表示します。
• get_space_info(space_id: str)
  指定したGenieスペースのタイトルと説明メタデータを取得します。
• ask_genie(space_id: str, question: str)
  自然言語の質問で新しいGenie会話を開始し、SQLと結果テーブルを返します。
• follow_up(space_id: str, conversation_id: str, question: str)
  既存のGenie会話をフォローアップ質問で続行します。

このMCPサーバーのユースケース

• 会話型データ探索
  開発者やアナリストは自然言語でGenie経由でDatabricksデータに対話的にクエリでき、データ分析を直感的かつ身近にします。
• 自動SQLクエリ生成
  サーバーは自然言語の質問をSQL文に変換し、Genieスペース上で実行して構造化された結果を返します。これにより時間短縮とミス削減が可能です。
• ワークスペースメタデータ取得
  Genieスペースのタイトルや説明などのメタデータを簡単に取得し、データリソースの理解やドキュメント作成に役立てます。
• 会話管理
  マルチターン会話の文脈を維持し、複雑な分析ワークフローにも柔軟に対応できます。
• AIアシスタントとの統合
  Databricks Genieの機能をAI搭載IDEやチャットインターフェースに組み込み、慣れ親しんだツール内でデータサイエンスワークフローを効率化します。

セットアップ方法

Windsurf

1. システムにPython 3.7+がインストールされていることを確認します。
2. Databricks Genie MCPリポジトリをクローンし、依存関係をインストールします。
3. Databricks認証情報（DATABRICKS_HOSTとDATABRICKS_TOKEN）を含む.envファイルを作成します。
4. Windsurf設定に以下のJSONスニペットを追加してMCPサーバーを登録します:

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

5. Windsurfを再起動し、利用可能なMCPサーバーに表示されるか確認します。
6. APIキーの安全な管理:
   認証情報は環境変数で安全に管理しましょう。例:

   {
     "env": {
       "DATABRICKS_HOST": "your-databricks-instance.cloud.databricks.com",
       "DATABRICKS_TOKEN": "your-personal-access-token"
     },
     "inputs": {}
   }
   

Claude

1. Python 3.7+とリポジトリの依存関係をインストールします。
2. .envにDatabricksホストとトークンを設定します。
3. プロジェクトディレクトリで以下を実行:

   mcp install main.py
   

4. Claude Desktopで[Resources → Add Resource]に進み、Genie MCPサーバーを選択します。
5. Databricksデータとの対話を開始します。

Cursor

1. すべての前提条件と依存関係を満たし、.envを設定します。
2. Cursorの設定ファイルに以下を追加します:

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

3. 設定を保存してCursorを再起動します。
4. サーバー接続を確認し、上記のように環境変数が設定されていることを確認します。

Cline

1. Python 3.7+をインストールし、リポジトリをクローン、.envをセットアップします。
2. Cline設定にMCPサーバーを追加します:

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

3. Clineを再起動し、MCPサーバーが有効であることを確認します。
4. 認証情報は環境変数で安全に管理してください。

FlowHuntのフローでこのMCPを利用する方法

FlowHuntでMCPサーバーをワークフローに統合するには、フローにMCPコンポーネントを追加し、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て設定パネルを開き、system MCP設定欄に以下のJSON形式でMCPサーバー情報を入力してください。

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

設定後、AIエージェントはこのMCPのすべての機能にアクセスできるようになります。“databricks-genie"は実際のMCPサーバー名に、URLはご自身のMCPサーバーのものに置き換えてください。

概要

総評

Databricks Genie MCPサーバーは、DatabricksとLLMを実用的に橋渡しするサーバーで、セットアップ手順やツールも明快です。一方で、プロンプトテンプレートや明示的リソース、高度なMCP機能（サンプリングやroots等）のドキュメントは不足しています。コアツールは明確で、Databricksユーザーには有用です。総合的には平均以上の評価ですが、より充実したMCP機能の活用やドキュメント化が望まれます。

MCPスコア