Keboola MCP Server

Co robi „Keboola” MCP Server?

Keboola MCP Server działa jako otwartoźródłowy most pomiędzy Twoim projektem Keboola a nowoczesnymi narzędziami AI. Łączy asystentów AI i klientów MCP (takich jak Claude, Cursor, Windsurf, VS Code i inne) z platformą Keboola, udostępniając funkcje takie jak dostęp do magazynu danych, transformacje SQL, zarządzanie komponentami oraz wyzwalanie zadań jako wywoływalne narzędzia. Dzięki tej integracji modele i agenci AI mogą wykonywać zapytania do tabel, zarządzać konfiguracjami, uruchamiać zadania oraz pracować z metadanymi bezpośrednio ze swojego środowiska. Usprawnia to procesy deweloperskie, eliminuje kod pośredniczący i zapewnia agentom AI dostęp do właściwych danych i funkcji wtedy, gdy są potrzebne, zwiększając produktywność i umożliwiając złożoną automatyzację.

Lista promptów

Lista zasobów

Lista narzędzi

Na podstawie funkcji repozytorium i dostępnej dokumentacji Keboola MCP Server udostępnia następujące narzędzia:

• Storage: Bezpośrednie zapytania do tabel oraz zarządzanie opisami tabel i bucketów w magazynie Keboola.
• Components: Tworzenie, przeglądanie i inspekcja ekstraktorów, writerów, aplikacji danych oraz konfiguracji transformacji.
• SQL: Tworzenie i wykonywanie transformacji SQL za pomocą języka naturalnego.
• Jobs: Uruchamianie komponentów, wyzwalanie transformacji i pobieranie szczegółów wykonania zadań.
• Metadata: Wyszukiwanie, odczyt i aktualizacja dokumentacji projektu oraz metadanych obiektów.

Przypadki użycia tego MCP Servera

• Zarządzanie bazą danych: Bezpośrednie zapytania i zarządzanie tabelami lub bucketami w magazynie Keboola, umożliwiając agentom AI pobieranie lub modyfikację danych projektowych.
• Eksploracja kodu i konfiguracji: Przeglądanie, tworzenie i inspekcja ekstraktorów, writerów oraz konfiguracji transformacji z poziomu narzędzi AI, co upraszcza zarządzanie konfiguracją.
• Automatyczna transformacja SQL: Generowanie i uruchamianie zapytań SQL przy użyciu języka naturalnego, pozwalając na szybkie przekształcenia i analizę danych.
• Orkiestracja i monitoring zadań: Uruchamianie komponentów, orkiestracja zadań oraz pobieranie historii wykonania, ułatwiające automatyzację i nadzór nad procesami ETL/danych.
• Obsługa metadanych: Wyszukiwanie, odczyt i aktualizacja dokumentacji projektu oraz metadanych, aby informacje były uporządkowane i dostępne zarówno dla ludzi, jak i agentów AI.

Jak skonfigurować

Windsurf

1. Upewnij się, że masz zainstalowanego Pythona 3.10+ oraz uv.
2. Zdobądź token Keboola Storage API oraz (jeśli używasz niestandardowego tokena) schemat workspace.
3. W Windsurf znajdź plik konfiguracyjny MCP.
4. Dodaj wpis Keboola MCP Server używając poniższego fragmentu JSON:

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

5. Zapisz plik konfiguracyjny i zrestartuj Windsurf.
6. Zweryfikuj dostępność serwera w interfejsie MCP Windsurf.

Zabezpieczanie kluczy API (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. Upewnij się, że masz zainstalowanego Pythona 3.10+ oraz uv.
2. Zdobądź niezbędne dane logowania do Keboola.
3. Otwórz konfigurację MCP w kliencie Claude.
4. Wstaw konfigurację Keboola MCP Server:

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

5. Zapisz i zrestartuj Claude.
6. Potwierdź, że serwer jest dostępny z poziomu Claude.

Cursor

1. Zainstaluj Pythona 3.10+ i uv.
2. Przygotuj token API Keboola oraz schemat workspace.
3. Otwórz plik konfiguracyjny MCP w Cursor.
4. Dodaj poniższą konfigurację:

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

5. Zapisz plik i zrestartuj Cursor.
6. Sprawdź poprawność połączenia z serwerem MCP.

Cline

1. Upewnij się, że masz zainstalowanego Pythona 3.10+ oraz uv.
2. Przygotuj wymagane dane logowania do Keboola.
3. Edytuj sekcję MCP servers w konfiguracji Cline.
4. Dodaj wpis Keboola MCP Server:

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

5. Zapisz konfigurację i zrestartuj Cline.
6. Zweryfikuj poprawne działanie serwera.

Uwaga: Poufne dane, takie jak tokeny API, przechowuj bezpiecznie w zmiennych środowiskowych, jak pokazano w przykładzie dla Windsurf.

Jak używać tego MCP w flows

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP w swoim workflow FlowHunt, zacznij od dodania komponentu MCP do flow i połącz go ze swoim agentem AI:

Kliknij w komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracji systemowej MCP wklej szczegóły serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI może korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, by zmienić „keboola-mcp” na faktyczną nazwę Twojego serwera MCP oraz podmienić URL na własny adres serwera.

Przegląd

Moja ocena: Keboola MCP Server udostępnia mocny zestaw narzędzi i jasne instrukcje konfiguracji, ale brakuje mu opisanych szablonów promptów i jawnie zdefiniowanych zasobów MCP. Jego nacisk na umożliwienie agentom AI dostępu do zaawansowanych workflow danych jest bardzo solidny. Sampling i korzenie nie są udokumentowane. Ogólnie to bardzo praktyczny i produkcyjny MCP, choć z pewnymi lukami dokumentacyjnymi dotyczącymi promptów i zasobów.

Wynik MCP