Databricks Genie MCP Server

Co robi serwer “Databricks Genie” MCP?

Databricks Genie MCP Server to serwer Model Context Protocol (MCP) zaprojektowany jako pomost między asystentami AI a API Databricks Genie. Dzięki tej integracji duże modele językowe (LLM) mogą komunikować się ze środowiskiem Databricks w języku naturalnym. Serwer pozwala na takie działania jak: wyświetlanie przestrzeni Genie, pobieranie metadanych workspace’u, inicjowanie i prowadzenie rozmów Genie oraz wykonywanie zapytań SQL – wszystko za pomocą standaryzowanych narzędzi MCP. Jako łącznik, Databricks Genie MCP Server umożliwia deweloperom wzbogacenie pracy o konwersacyjną eksplorację danych, bezpośrednie zapytania SQL i płynną interakcję z agentami rozmów Databricks, usprawniając rozwój i analizę opartą na danych.

Lista promptów

W repozytorium nie udokumentowano jawnych szablonów promptów.

Lista zasobów

W repozytorium nie opisano jawnych zasobów.

Lista narzędzi

• get_genie_space_id()
  Wyświetla dostępne ID i tytuły przestrzeni Genie w workspace Databricks.
• get_space_info(space_id: str)
  Pobiera tytuł i opis wybranej przestrzeni Genie.
• ask_genie(space_id: str, question: str)
  Rozpoczyna nową rozmowę w Genie, zadając pytanie w języku naturalnym i zwraca SQL oraz tabele wynikowe.
• follow_up(space_id: str, conversation_id: str, question: str)
  Kontynuuje istniejącą rozmowę Genie poprzez pytanie uzupełniające.

Przykładowe zastosowania tego serwera MCP

• Konwersacyjna eksploracja danych
  Programiści i analitycy mogą interaktywnie zadawać pytania na temat danych w Databricks przez Genie w języku naturalnym, czyniąc analizę bardziej intuicyjną i przystępną.
• Automatyczne generowanie zapytań SQL
  Serwer zamienia pytania w języku naturalnym na zapytania SQL, wykonuje je na przestrzeniach Genie i zwraca uporządkowane wyniki – to oszczędność czasu i mniej błędów.
• Pobieranie metadanych workspace’u
  Łatwo pobierzesz metadane (tytuły, opisy) przestrzeni Genie, by zrozumieć i udokumentować dostępne zasoby danych.
• Zarządzanie rozmową
  Utrzymuj kontekst rozmowy przez wiele etapów, co pozwala na złożoną analizę, gdzie kolejne pytania opierają się na wcześniejszych odpowiedziach.
• Integracja z asystentami AI
  Płynnie dodasz możliwości Genie Databricks do zasilanych AI IDE lub interfejsów chat, usprawniając pracę data science w znanych narzędziach.

Jak skonfigurować

Windsurf

1. Upewnij się, że na twoim systemie jest zainstalowany Python 3.7+.
2. Sklonuj repozytorium Databricks Genie MCP i zainstaluj zależności.
3. Utwórz plik .env ze swoimi danymi logowania do Databricks (DATABRICKS_HOST i DATABRICKS_TOKEN).
4. W konfiguracji Windsurf dodaj serwer MCP za pomocą poniższego fragmentu JSON:

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

5. Zrestartuj Windsurf i sprawdź, czy serwer pojawia się na liście dostępnych MCP.
6. Zabezpieczanie kluczy API:
   Używaj zmiennych środowiskowych, by chronić dane logowania. Przykład:

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

Claude

1. Zainstaluj Pythona 3.7+ oraz zależności z repozytorium.
2. Skonfiguruj .env ze swoim hostem i tokenem Databricks.
3. W katalogu projektu uruchom:

   mcp install main.py
   

4. Otwórz Claude Desktop, przejdź do Zasoby → Dodaj zasób i wybierz swój Genie MCP Server.
5. Rozpocznij rozmowę z danymi Databricks.

Cursor

1. Upewnij się, że spełnione są wszystkie wymagania i zależności oraz skonfigurowano .env.
2. Dodaj poniższy fragment do konfiguracji Cursor:

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

3. Zapisz konfigurację i zrestartuj Cursor.
4. Zweryfikuj połączenie z serwerem i upewnij się, że zmienne środowiskowe są ustawione zgodnie z powyższym przykładem.

Cline

1. Zainstaluj Pythona 3.7+, sklonuj repozytorium i skonfiguruj plik .env.
2. Dodaj serwer MCP w konfiguracji Cline:

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

3. Zrestartuj Cline i zweryfikuj, że serwer MCP jest aktywny.
4. Używaj zmiennych środowiskowych, aby chronić dane logowania.

Jak używać tego MCP w przepływach

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP w swoim przepływie FlowHunt, zacznij od dodania komponentu MCP do flow i połączenia go z agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracji systemowego MCP wstaw dane serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI może już korzystać z MCP jako narzędzia ze wszystkimi funkcjonalnościami. Pamiętaj, by “databricks-genie” zastąpić faktyczną nazwą swojego serwera MCP i podać swój adres URL do MCP.

Przegląd

Nasza opinia

Databricks Genie MCP Server stanowi praktyczny pomost między Databricks a LLM, oferując jasne instrukcje wdrożenia i narzędzia. Brakuje jednak szablonów promptów, jawnych zasobów oraz dokumentacji na temat zaawansowanych funkcji MCP jak sampling czy roots. Podstawowe narzędzia są dobrze opisane i użyteczne dla użytkowników Databricks. Ogólnie wypada powyżej średniej, ale przydałoby się bogatsze wykorzystanie funkcji MCP.

Ocena MCP