Databricks Genie MCP 서버

“Databricks Genie” MCP 서버란?

Databricks Genie MCP 서버는 AI 어시스턴트와 Databricks Genie API를 연결하는 Model Context Protocol(MCP) 서버입니다. 이 통합을 통해 대형 언어 모델(LLM)은 자연어를 사용하여 Databricks 환경과 상호작용할 수 있습니다. 서버를 통해 LLM은 Genie 스페이스 목록 조회, 워크스페이스 메타데이터 조회, Genie 대화 시작 및 관리, SQL 쿼리 실행 등 다양한 작업을 표준화된 MCP 도구로 수행할 수 있습니다. Databricks Genie MCP 서버는 커넥터 역할을 하여 개발자가 대화형 데이터 탐색, 직접 SQL 질의, Databricks 대화형 에이전트와의 원활한 상호작용을 활용해 데이터 중심 개발과 분석을 효율적으로 진행할 수 있게 합니다.

프롬프트 목록

저장소에 명시적인 프롬프트 템플릿은 문서화되어 있지 않습니다.

리소스 목록

저장소에 명확한 리소스 설명이 없습니다.

도구 목록

• get_genie_space_id()
  Databricks 워크스페이스에서 사용 가능한 Genie 스페이스 ID와 제목을 나열합니다.
• get_space_info(space_id: str)
  지정한 Genie 스페이스의 제목 및 설명 메타데이터를 조회합니다.
• ask_genie(space_id: str, question: str)
  자연어 질문으로 새로운 Genie 대화를 시작하고, 해당 SQL과 결과 테이블을 반환합니다.
• follow_up(space_id: str, conversation_id: str, question: str)
  기존 Genie 대화에 후속 질문을 이어갈 수 있습니다.

MCP 서버 활용 사례

• 대화형 데이터 탐색
  개발자와 분석가는 자연어로 Genie를 통해 Databricks 데이터를 쿼리할 수 있어, 데이터 분석을 더욱 직관적이고 쉽게 할 수 있습니다.
• 자동 SQL 쿼리 생성
  자연어 질문을 SQL로 변환하여 Genie 스페이스에서 실행하고, 구조화된 결과를 반환함으로써 시간을 절약하고 오류를 줄입니다.
• 워크스페이스 메타데이터 조회
  Genie 스페이스의 메타데이터(제목, 설명 등)를 쉽게 가져와 데이터 리소스를 파악하고 문서화할 수 있습니다.
• 대화 관리
  여러 차례의 대화 맥락을 유지하여, 이전 답변에 기반한 복잡한 분석 워크플로우를 구현할 수 있습니다.
• AI 어시스턴트와의 통합
  AI 기반 IDE나 챗 인터페이스에 Genie 기능을 쉽게 추가해, 친숙한 도구 내에서 데이터 사이언스 워크플로우를 간소화할 수 있습니다.

설치 방법

Windsurf

1. 시스템에 Python 3.7+이 설치되어 있는지 확인하세요.
2. Databricks Genie MCP 저장소를 클론하고 의존성을 설치하세요.
3. Databricks 자격 증명(DATABRICKS_HOST, DATABRICKS_TOKEN)이 포함된 .env 파일을 만드세요.
4. Windsurf 설정에 다음 JSON 스니펫을 사용해 MCP 서버를 추가하세요:

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

5. Windsurf를 재시작하고, 해당 MCP 서버가 목록에 나타나는지 확인하세요.
6. API 키 보안:
   자격 증명은 환경 변수로 안전하게 관리하세요. 예시:

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

Claude

1. Python 3.7+과 저장소 의존성을 설치하세요.
2. .env에 Databricks host와 토큰을 설정하세요.
3. 프로젝트 디렉터리에서 다음을 실행하세요:

   mcp install main.py
   

4. Claude Desktop에서 Resources → Add Resource로 이동 후 Genie MCP 서버를 선택하세요.
5. Databricks 데이터와의 대화를 시작하세요.

Cursor

1. 모든 필수 조건 및 의존성 설치, .env 구성을 완료하세요.
2. Cursor 설정에 아래 내용을 추가하세요:

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

3. 설정을 저장하고 Cursor를 재시작하세요.
4. 위와 같이 환경 변수가 올바르게 설정되어 있는지 확인하세요.

Cline

1. Python 3.7+ 설치, 저장소 클론, .env 세팅을 하세요.
2. Cline 설정에 MCP 서버를 아래와 같이 추가하세요:

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

3. Cline을 재시작하고 MCP 서버가 활성화되어 있는지 확인하세요.
4. 자격 증명은 환경 변수로 보호하세요.

FlowHunt에서 MCP 서버 활용하기

FlowHunt에서 MCP 통합

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

MCP 컴포넌트를 클릭해 설정 패널을 엽니다. 시스템 MCP 설정 섹션에 아래 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

설정이 완료되면, AI 에이전트가 이 MCP를 도구로 활용하여 모든 기능과 역량을 사용할 수 있습니다. “databricks-genie"를 실제 MCP 서버 이름으로, URL은 본인 MCP 서버 주소로 교체하세요.

개요

의견

Databricks Genie MCP 서버는 Databricks와 LLM을 실용적으로 연결하며, 명확한 설치 안내와 도구를 제공합니다. 하지만 프롬프트 템플릿, 명시적 리소스, 샘플링·루트 등 고급 MCP 기능에 대한 문서가 부족합니다. 핵심 도구는 잘 정의되어 있어 Databricks 사용자에게 유용합니다. 전반적으로 평균 이상 점수를 줄 수 있으나, MCP 기능 활용의 다양성이 보강되면 더 좋겠습니다.

MCP 점수