Keboola MCP Server

Hva gjør “Keboola” MCP Server?

Keboola MCP Server fungerer som en åpen kildekode-bro mellom ditt Keboola-prosjekt og moderne AI-verktøy. Den kobler AI-assistenter og MCP-klienter (som Claude, Cursor, Windsurf, VS Code og andre) til Keboola-plattformen, og eksponerer funksjoner som lagringstilgang, SQL-transformasjoner, komponentadministrasjon og jobb-utløsere som kallbare verktøy. Denne integrasjonen gjør det mulig for AI-modeller og -agenter å spørrre tabeller, håndtere konfigurasjoner, kjøre jobber og samhandle med metadata direkte fra sitt eget miljø. Slik effektiviseres utviklingsflyter, limkode elimineres, og riktig data og funksjonalitet blir tilgjengelig for AI-agenter når de trenger det, noe som øker produktiviteten og muliggjør komplekse automatiseringsscenarier.

Liste over Prompter

Liste over ressurser

Liste over verktøy

Basert på repositoryets funksjoner og tilgjengelig dokumentasjon, tilbyr Keboola MCP Server følgende verktøy:

• Lagring: Spørr tabeller direkte og administrer tabell- eller bøttebeskrivelser i Keboola-lagringen.
• Komponenter: Opprett, list og inspiser extractors, writers, data-apper og transformasjonskonfigurasjoner.
• SQL: Opprett og kjør SQL-transformasjoner ved bruk av naturlig språk.
• Jobber: Kjør komponenter, utløs transformasjoner og hent detaljer om jobbutførelse.
• Metadata: Søk, les og oppdater prosjektdokumentasjon og objektmetadata.

Bruksområder for denne MCP-serveren

• Databasestyring: Spørr og administrer tabeller eller bøtter direkte i Keboola-lagringen, slik at AI-agenter kan hente eller endre prosjektdata.
• Utforskning av kodebase og konfigurasjon: List, opprett og inspiser extractors, writers og transformasjonskonfigurasjoner fra AI-verktøy, noe som forenkler konfigurasjonsstyring.
• Automatisert SQL-transformasjon: Bruk naturlig språk for å generere og kjøre SQL-spørringer, og muliggjør rask transformasjon og analyse av lagrede data.
• Jobborkestrering og overvåking: Kjør komponenter, orkestrer jobber og hent utførelseshistorikk, slik at det blir enkelt å automatisere og overvåke ETL/data-arbeidsflyter.
• Metadatahåndtering: Søk, les og oppdater prosjektdokumentasjon og metadata for å holde informasjon organisert og tilgjengelig for både mennesker og AI-agenter.

Hvordan sette det opp

Windsurf

1. Sørg for at du har Python 3.10+ og uv installert.
2. Skaff deg ditt Keboola Storage API-token og (om nødvendig) ditt arbeidsområde-skjema.
3. Finn MCP-konfigurasjonsfilen i Windsurf.
4. Legg til Keboola MCP Server-oppføringen med følgende JSON-snutt:

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

5. Lagre konfigurasjonsfilen og start Windsurf på nytt.
6. Bekreft servertilgjengelighet i Windsurf MCP-grensesnittet.

Sikre API-nøkler (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. Sørg for at Python 3.10+ og uv er installert.
2. Skaff nødvendige Keboola-legitimasjoner.
3. Åpne Claude-klientens MCP-konfigurasjon.
4. Sett inn Keboola MCP Server-oppsettet:

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

5. Lagre og start Claude på nytt.
6. Bekreft at serveren er tilgjengelig fra Claude.

Cursor

1. Installer Python 3.10+ og uv.
2. Forbered ditt Keboola API-token og arbeidsområde-skjema.
3. Åpne Cursor MCP-konfigurasjonsfilen.
4. Legg til følgende konfigurasjon:

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

5. Lagre filen og start Cursor på nytt.
6. Sjekk at MCP-servertilkoblingen er vellykket.

Cline

1. Sørg for at Python 3.10+ og uv er installert.
2. Samle nødvendige Keboola-legitimasjoner.
3. Rediger MCP-serverseksjonen i Clines konfigurasjon.
4. Legg til Keboola MCP Server-oppføringen:

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

5. Lagre konfigurasjonen og start Cline på nytt.
6. Verifiser at serveren fungerer som den skal.

Merk: Sikre sensitive legitimasjoner som API-tokens med miljøvariabler, slik det vises i Windsurf-eksemplet ovenfor.

Hvordan bruke denne MCP-en i flyter

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 setter du inn MCP-serverdetaljene dine i dette JSON-formatet:

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

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

Oversikt

Min vurdering: Keboola MCP Server tilbyr et sterkt sett med verktøy og tydelige oppsettinstruksjoner, men mangler dokumenterte prompt-maler og eksplisitte MCP-ressursdefinisjoner. Fokuset på å muliggjøre AI-agenters tilgang til komplekse dataarbeidsflyter er robust. Sampling- og roots-støtte er ikke dokumentert. Alt i alt er dette en svært praktisk og produksjonsklar MCP, men med noen dokumentasjonsmangler for prompt/ressurser.

MCP-score