Databricks Genie MCP-server

Hva gjør “Databricks Genie” MCP-serveren?

Databricks Genie MCP-serveren er en Model Context Protocol (MCP)-server designet for å bygge bro mellom AI-assistenter og Databricks Genie API-et. Denne integrasjonen gir store språkmodeller (LLMs) mulighet til å samhandle med Databricks-miljøer ved bruk av naturlig språk. Via serveren kan LLM-er utføre handlinger som å liste Genie spaces, hente metadata fra arbeidsplassen, starte og håndtere Genie-samtaler og kjøre SQL-spørringer – alt gjennom standardiserte MCP-verktøy. Som en kobling gjør Databricks Genie MCP-serveren det mulig for utviklere å forbedre arbeidsflytene sine med samtalebasert datautforskning, direkte SQL-spørring og sømløs interaksjon med Databricks-samtaleagenter, noe som strømlinjeformer databaserte utviklings- og analyseprosesser.

Liste over prompt-maler

Ingen eksplisitte prompt-maler er dokumentert i depotet.

Liste over ressurser

Ingen eksplisitte ressurser er beskrevet i depotet.

Liste over verktøy

• get_genie_space_id()
  Lister tilgjengelige Genie space-ID-er og titler i Databricks-arbeidsplassen din.
• get_space_info(space_id: str)
  Henter tittel og beskrivelsesmetadata for en spesifisert Genie space.
• ask_genie(space_id: str, question: str)
  Starter en ny Genie-samtale ved å stille et spørsmål på naturlig språk og returnerer SQL og resultat-tabeller.
• follow_up(space_id: str, conversation_id: str, question: str)
  Fortsetter en eksisterende Genie-samtale med et oppfølgingsspørsmål.

Bruksområder for denne MCP-serveren

• Samtalebasert datautforskning
  Utviklere og analytikere kan bruke naturlig språk for interaktiv spørring av Databricks-data via Genie, som gjør dataanalyse mer tilgjengelig og intuitiv.
• Automatisert SQL-generering
  Serveren konverterer spørsmål på naturlig språk til SQL-setninger, kjører dem på Genie spaces og returnerer strukturerte resultater, noe som sparer tid og reduserer feil.
• Innhenting av arbeidsplassmetadata
  Hent enkelt metadata (titler, beskrivelser) om Genie spaces for å forstå og dokumentere tilgjengelige dataressurser.
• Samtalehåndtering
  Bevar kontekst gjennom flerstegs samtaler, slik at komplekse analytiske arbeidsflyter der spørsmål bygger på tidligere svar blir mulig.
• Integrasjon med AI-assistenter
  Legg sømløst til Databricks Genie-funksjonalitet i AI-drevne IDE-er eller chatteflater, og strømlinjeform data science-arbeidsflyter i kjente verktøy.

Slik setter du det opp

Windsurf

1. Sørg for at Python 3.7+ er installert på systemet ditt.
2. Klon Databricks Genie MCP-depotet og installer nødvendige avhengigheter.
3. Opprett en .env-fil med dine Databricks-legitimasjoner (DATABRICKS_HOST og DATABRICKS_TOKEN).
4. I Windsurf-konfigurasjonen, legg til MCP-serveren med følgende JSON-snutt:

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

5. Start Windsurf på nytt og verifiser at serveren vises blant tilgjengelige MCP-servere.
6. Sikre API-nøkler:
   Bruk miljøvariabler for å holde legitimasjonen trygg. Eksempel:

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

Claude

1. Installer Python 3.7+ og avhengigheter fra depotet.
2. Konfigurer .env med din Databricks host og token.
3. Fra prosjektmappen, kjør:

   mcp install main.py
   

4. Åpne Claude Desktop, naviger til Resources → Add Resource, og velg din Genie MCP-server.
5. Start en samtale med Databricks-dataene dine.

Cursor

1. Sørg for at alle forutsetninger og avhengigheter er oppfylt og .env er konfigurert.
2. Legg følgende til i Cursor-konfigurasjonen:

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

3. Lagre konfigurasjonen og start Cursor på nytt.
4. Verifiser servertilkoblingen og sørg for at miljøvariablene er satt som vist over.

Cline

1. Installer Python 3.7+, klon depotet, og sett opp din .env.
2. Legg til MCP-serveren i Cline-konfigurasjonen:

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

3. Start Cline på nytt og verifiser at MCP-serveren er aktiv.
4. Bruk miljøvariabler for å beskytte dine legitimasjoner.

Slik bruker du denne MCP-en i flows

Bruke MCP i FlowHunt

For å integrere MCP-servere i FlowHunt-arbeidsflyten din, start med å legge til MCP-komponenten i flyten og koble den til AI-agenten din:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon, lim inn MCP-serverdetaljene dine med dette JSON-formatet:

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

Når du har konfigurert dette, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “databricks-genie” til det faktiske navnet på din MCP-server og bytte ut URL-en med adressen til din egen MCP-server.

Oversikt

Vår mening

Databricks Genie MCP-serveren gir en praktisk bro mellom Databricks og LLM-er, med tydelige oppsettinstruksjoner og verktøy. Den mangler imidlertid prompt-maler, eksplisitte ressurser og dokumentasjon på avanserte MCP-funksjoner som sampling eller roots. Kjerneverktøyene er godt definerte og nyttige for Databricks-brukere. Alt i alt scorer den over gjennomsnittet, men vil dra nytte av rikere MCP-funksjonalitet.

MCP-score