Databricks MCP 서버

“Databricks” MCP 서버는 무엇을 하나요?

Databricks MCP(Model Context Protocol) 서버는 AI 어시스턴트를 Databricks 플랫폼에 연결해주는 특화 도구로, 자연어 인터페이스를 통해 Databricks 리소스와 원활하게 상호작용할 수 있게 합니다. 이 서버는 대형 언어 모델(LLM)과 Databricks API 사이의 다리 역할을 하여, LLM이 SQL 쿼리 실행, 작업 목록 조회, 작업 상태 확인, 상세 작업 정보 획득 등을 가능하게 합니다. MCP 프로토콜을 통해 이러한 기능을 노출함으로써, Databricks MCP 서버는 개발자와 AI 에이전트가 데이터 워크플로우를 자동화하고, Databricks 작업을 관리하며, 데이터베이스 작업을 간소화하여 데이터 기반 개발 환경에서 생산성을 높일 수 있습니다.

프롬프트 목록

저장소에 프롬프트 템플릿이 명시되어 있지 않습니다.

리소스 목록

저장소에 명시적인 리소스가 없습니다.

도구 목록

• run_sql_query(sql: str)
  Databricks SQL 웨어하우스에서 SQL 쿼리 실행
• list_jobs()
  워크스페이스 내 모든 Databricks 작업 목록 조회
• get_job_status(job_id: int)
  특정 Databricks 작업의 상태 조회
• get_job_details(job_id: int)
  특정 Databricks 작업의 상세 정보 획득

이 MCP 서버의 활용 사례

• 데이터베이스 쿼리 자동화
  LLM 및 사용자가 대화형 인터페이스에서 직접 Databricks 웨어하우스에 SQL 쿼리를 실행하여 데이터 분석 워크플로우를 간소화합니다.
• 작업 관리
  Databricks 작업을 조회 및 모니터링하여 사용자가 워크스페이스 내 진행 중 또는 예약된 작업을 쉽게 파악할 수 있습니다.
• 작업 상태 추적
  특정 Databricks 작업의 상태를 신속하게 조회하여 효율적으로 모니터링 및 문제 해결이 가능합니다.
• 상세 작업 검사
  Databricks 작업에 대한 심층 정보를 확인하여 ETL 파이프라인이나 배치 작업의 디버깅 및 최적화를 지원합니다.

설치 방법

Windsurf

1. Python 3.7+가 설치되어 있고 Databricks 자격 증명이 준비되어 있는지 확인하세요.
2. 리포지터리를 클론한 후 pip install -r requirements.txt로 요구 사항을 설치하세요.
3. Databricks 자격 증명으로 .env 파일을 생성하세요.
4. Windsurf 구성에 Databricks MCP 서버를 추가하세요:

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

5. 구성을 저장하고 Windsurf를 재시작하세요. 테스트 쿼리를 실행하여 설정을 확인하세요.

API 키 보안 예시:

{
  "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+를 설치하고 리포지터리를 클론하세요.
2. Databricks 자격 증명으로 .env 파일을 설정하세요.
3. Claude의 MCP 인터페이스를 구성하세요:

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

4. Claude를 재시작하고 연결을 검증하세요.

Cursor

1. 리포지터리를 클론하고 Python 환경을 세팅하세요.
2. 의존성을 설치하고 자격 증명으로 .env 파일을 생성하세요.
3. Cursor의 구성에 서버를 추가하세요:

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

4. 구성을 저장하고 연결을 테스트하세요.

Cline

1. 위와 같이 Python 및 자격 증명을 준비하세요.
2. 리포지터리를 클론하고 요구 사항을 설치한 후 .env를 구성하세요.
3. Cline의 구성에 MCP 서버 항목을 추가하세요:

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

4. 저장 후 Cline을 재시작하고 MCP 서버가 정상 작동하는지 확인하세요.

참고: 위의 설정 예시처럼 환경 변수를 사용하여 항상 API 키 및 시크릿을 안전하게 관리하세요.

이 MCP를 플로우에서 사용하는 방법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면, MCP 컴포넌트를 플로우에 추가하고 AI 에이전트에 연결하세요:

MCP 컴포넌트를 클릭하여 구성 패널을 엽니다. 시스템 MCP 구성 섹션에 다음 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

구성이 완료되면 AI 에이전트가 이 MCP의 모든 기능과 역량에 접근할 수 있습니다. “databricks"를 실제 MCP 서버 이름으로, URL을 본인 MCP 서버의 주소로 변경하세요.

개요

| Roots 지원 | ⛔ | 언급되지 않음 |

핵심 기능(도구, 설치 및 보안 가이드)은 제공되지만 리소스와 프롬프트 템플릿은 없는 점을 감안할 때, Databricks MCP 서버는 Databricks API 통합에는 효과적이지만 고급 MCP 프리미티브는 부족합니다. MCP 생태계 내에서 전체 완성도 및 유틸리티는 10점 만점에 6점으로 평가할 수 있습니다.

MCP 점수