Keboola MCP 서버

“Keboola” MCP 서버는 무엇을 하나요?

Keboola MCP 서버는 Keboola 프로젝트와 최신 AI 도구를 연결하는 오픈소스 브릿지 역할을 합니다. AI 어시스턴트와 MCP 클라이언트(Claude, Cursor, Windsurf, VS Code 등)를 Keboola 플랫폼에 연결하여, 스토리지 접근, SQL 변환, 컴포넌트 관리, 작업 실행 등의 기능을 도구로 노출합니다. 이를 통해 AI 모델이나 에이전트가 테이블 질의, 구성 관리, 작업 실행, 메타데이터 상호작용 등을 직접 자신의 환경에서 수행할 수 있습니다. 이 과정은 개발 워크플로우를 간소화하고, 불필요한 중간 코드 없이 필요한 데이터와 기능을 AI 에이전트에게 바로 제공함으로써 생산성을 높이고 복잡한 자동화 시나리오를 가능하게 합니다.

프롬프트 목록

리소스 목록

도구 목록

저장소의 기능 및 문서를 기반으로 Keboola MCP 서버가 제공하는 도구는 다음과 같습니다:

• 스토리지: Keboola 스토리지 내 테이블 직접 질의 및 테이블/버킷 설명 관리
• 컴포넌트: 익스트랙터, 라이터, 데이터 앱, 변환 구성 생성/목록/점검
• SQL: 자연어로 SQL 변환 생성 및 실행
• 작업: 컴포넌트 실행, 변환 트리거, 작업 실행 내역 조회
• 메타데이터: 프로젝트 문서 및 객체 메타데이터 검색, 읽기, 수정

MCP 서버 활용 사례

• 데이터베이스 관리: Keboola 스토리지 내 테이블/버킷 직접 질의 및 관리, AI 에이전트가 프로젝트 데이터를 조회·수정할 수 있음
• 코드베이스 및 구성 탐색: AI 도구에서 익스트랙터, 라이터, 변환 구성 목록화·생성·점검 → 구성 관리 단순화
• 자동 SQL 변환: 자연어로 SQL 쿼리 생성·실행, 저장 데이터의 신속한 변환/분석 가능
• 작업 오케스트레이션 및 모니터링: 컴포넌트 실행, 작업 오케스트레이션, 실행 이력 조회 등 ETL/데이터 워크플로우 자동화 및 관리 용이
• 메타데이터 처리: 프로젝트 문서와 메타데이터 검색, 읽기, 수정 → 정보의 체계적 관리 및 AI/사람 모두 접근성 향상

설정 방법

Windsurf

1. Python 3.10+과 uv가 설치되어 있는지 확인합니다.
2. Keboola Storage API 토큰과(커스텀 토큰 사용 시) 워크스페이스 스키마를 준비합니다.
3. Windsurf에서 MCP 구성 파일을 찾습니다.
4. 아래 JSON 스니펫을 사용해 Keboola MCP 서버 항목을 추가합니다:

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

5. 구성 파일을 저장하고 Windsurf를 재시작합니다.
6. Windsurf MCP 인터페이스에서 서버가 사용 가능한지 확인합니다.

API 키 보안 설정(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. Python 3.10+과 uv가 설치되어 있는지 확인합니다.
2. 필요한 Keboola 자격 증명을 준비합니다.
3. Claude 클라이언트의 MCP 구성 파일을 엽니다.
4. Keboola MCP 서버 설정을 추가합니다:

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

5. 저장 후 Claude를 재시작합니다.
6. Claude에서 서버 접근이 가능한지 확인합니다.

Cursor

1. Python 3.10+과 uv를 설치합니다.
2. Keboola API 토큰과 워크스페이스 스키마를 준비합니다.
3. Cursor MCP 구성 파일을 엽니다.
4. 아래 구성을 추가합니다:

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

5. 파일을 저장하고 Cursor를 재시작합니다.
6. MCP 서버 연결이 성공적으로 되었는지 확인합니다.

Cline

1. Python 3.10+과 uv가 설치되어 있는지 확인합니다.
2. 필요한 Keboola 자격 증명을 준비합니다.
3. Cline 구성 파일의 MCP 서버 섹션을 수정합니다.
4. Keboola MCP 서버 항목을 추가합니다:

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

5. 저장 후 Cline을 재시작합니다.
6. 서버가 정상 동작하는지 확인합니다.

참고: 민감한 인증 정보(API 토큰 등)는 Windsurf 예시처럼 환경 변수를 사용해 안전하게 저장하세요.

플로우에서 MCP 사용 방법

FlowHunt에서 MCP 사용하기

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

MCP 컴포넌트를 클릭해 구성 패널을 엽니다. 시스템 MCP 구성 섹션에서 아래와 같은 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

구성이 완료되면, AI 에이전트가 이 MCP의 모든 기능과 역량에 접근할 수 있습니다. 실제 MCP 서버 이름과 URL은 자신의 환경에 맞게 수정하세요.

개요

내 평가: Keboola MCP 서버는 강력한 도구와 명확한 설정 안내를 제공하지만, 프롬프트 템플릿 및 명시적 MCP 리소스 정의는 부족합니다. 복잡한 데이터 워크플로우를 AI 에이전트가 이용할 수 있도록 하는 데 초점을 두고 있어 실전 활용성이 높습니다. 샘플링 및 루트 지원은 문서화되어 있지 않습니다. 전반적으로 실용적이고 프로덕션에 즉시 적용 가능한 MCP이나, 프롬프트/리소스 관련 문서가 보완되면 더 좋을 것입니다.

MCP 점수