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

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

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.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

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