Databricks MCP-server

Hva gjør “Databricks” MCP-server?

Databricks MCP (Model Context Protocol) Server er et spesialisert verktøy som kobler AI-assistenter til Databricks-plattformen, og muliggjør sømløs interaksjon med Databricks-ressurser gjennom naturlige språklige grensesnitt. Denne serveren fungerer som en bro mellom store språkmodeller (LLMs) og Databricks-APIer, og lar LLM-er utføre SQL-spørringer, liste jobber, hente jobbstatus og innhente detaljert jobbinformasjon. Ved å eksponere disse mulighetene via MCP-protokollen gir Databricks MCP-server utviklere og AI-agenter mulighet til å automatisere dataarbeidsflyter, administrere Databricks-jobber og effektivisere databaseoperasjoner, noe som øker produktiviteten i datadrevne utviklingsmiljøer.

Liste over prompt-maler

Ingen prompt-maler er beskrevet i depotet.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Liste over ressurser

Ingen eksplisitte ressurser er listet i depotet.

Liste over verktøy

• run_sql_query(sql: str)
  Utfør SQL-spørringer på Databricks SQL-lageret.
• list_jobs()
  List alle Databricks-jobber i arbeidsområdet.
• get_job_status(job_id: int)
  Hent statusen til en spesifikk Databricks-jobb ved dens ID.
• get_job_details(job_id: int)
  Innhent detaljert informasjon om en spesifikk Databricks-jobb.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Bruksområder for denne MCP-serveren

• Automatisering av databasespørringer
  Lar LLM-er og brukere kjøre SQL-spørringer på Databricks-lagre direkte fra konversasjonsgrensesnitt, noe som strømlinjeformer dataanalysearbeidsflyter.
• Jobbadministrasjon
  List og overvåk Databricks-jobber, og hjelper brukere å holde oversikt over pågående eller planlagte oppgaver i arbeidsområdet sitt.
• Sporing av jobbstatus
  Hent raskt statusen til spesifikke Databricks-jobber, slik at man får effektiv overvåking og feilsøking.
• Detaljert jobbinspeksjon
  Få tilgang til dyptgående informasjon om Databricks-jobber, forenkler feilsøking og optimalisering av ETL-pipelines eller batchjobber.

Slik setter du det opp

Windsurf

1. Sørg for at Python 3.7+ er installert og at Databricks-legitimasjon er tilgjengelig.
2. Klon depotet og installer krav med pip install -r requirements.txt.
3. Opprett en .env-fil med dine Databricks-legitimasjoner.
4. Legg til Databricks MCP-server i Windsurf-konfigurasjonen din:

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

5. Lagre konfigurasjonen og start Windsurf på nytt. Verifiser oppsettet ved å kjøre en testspørring.

Eksempel på sikring av API-nøkler:

{
  "mcpServers": {
    "databricks": {
      "command": "python",
      "args": ["main.py"],
      "env": {
        "DATABRICKS_HOST": "${DATABRICKS_HOST}",
        "DATABRICKS_TOKEN": "${DATABRICKS_TOKEN}",
        "DATABRICKS_HTTP_PATH": "${DATABRICKS_HTTP_PATH}"
      }
    }
  }
}

Claude

1. Installer Python 3.7+ og klon depotet.
2. Sett opp .env-filen med Databricks-legitimasjon.
3. Konfigurer Claudes MCP-grensesnitt:

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

4. Start Claude på nytt og valider tilkoblingen.

Cursor

1. Klon depotet og sett opp Python-miljø.
2. Installer avhengigheter og opprett .env med legitimasjon.
3. Legg til serveren i Cursors konfigurasjon:

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

4. Lagre konfigurasjonen og test tilkoblingen.

Cline

1. Forbered Python og legitimasjon som ovenfor.
2. Klon depotet, installer krav og konfigurer .env.
3. Legg til MCP-serveroppføring i Clines konfigurasjon:

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

4. Lagre, start Cline på nytt og verifiser at MCP-serveren er operativ.

Merk: Sikre alltid dine API-nøkler og hemmeligheter ved å bruke miljøvariabler slik det vises i konfigurasjonseksemplene over.

Hvordan bruke denne MCP-serveren i flyter

Bruk av MCP i FlowHunt

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

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

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

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

Oversikt

| Roots-støtte | ⛔ | Ikke nevnt |

Basert på tilgjengeligheten av kjernefunksjoner (verktøy, oppsett og sikkerhetsveiledning, men ingen ressurser eller prompt-maler), er Databricks MCP-server effektiv for Databricks API-integrasjon, men mangler noen avanserte MCP-primitiver. Jeg gir denne MCP-serveren en 6 av 10 for total fullstendighet og nytte i MCP-økosystemet.

MCP-score