Servidor MCP do Databricks

O que faz o Servidor MCP “Databricks”?

O Servidor MCP (Model Context Protocol) do Databricks é uma ferramenta especializada que conecta assistentes de IA à plataforma Databricks, permitindo interação perfeita com os recursos do Databricks por meio de interfaces de linguagem natural. Este servidor atua como ponte entre grandes modelos de linguagem (LLMs) e as APIs do Databricks, permitindo que os LLMs executem consultas SQL, listem jobs, recuperem status de jobs e obtenham informações detalhadas de jobs. Ao expor essas capacidades via protocolo MCP, o servidor MCP do Databricks capacita desenvolvedores e agentes de IA a automatizar fluxos de trabalho de dados, gerenciar jobs no Databricks e otimizar operações de banco de dados, aumentando assim a produtividade em ambientes de desenvolvimento orientados a dados.

Lista de Prompts

Nenhum modelo de prompt está descrito no repositório.

Pronto para expandir seu negócio?

Comece seu teste gratuito hoje e veja resultados em dias.

Solicitar demo Entrar

Lista de Recursos

Nenhum recurso explícito está listado no repositório.

Lista de Ferramentas

• run_sql_query(sql: str)
  Executa consultas SQL no warehouse Databricks SQL.
• list_jobs()
  Lista todos os jobs do Databricks no workspace.
• get_job_status(job_id: int)
  Recupera o status de um job específico do Databricks pelo seu ID.
• get_job_details(job_id: int)
  Obtém informações detalhadas de um job específico do Databricks.

Junte-se à nossa newsletter

Receba gratuitamente as últimas dicas, tendências e ofertas.

Endereço de e-mail

Inscrever-se

Casos de Uso deste Servidor MCP

• Automação de Consultas ao Banco de Dados
  Permite que LLMs e usuários executem consultas SQL em warehouses do Databricks diretamente de interfaces conversacionais, otimizando fluxos de análise de dados.
• Gerenciamento de Jobs
  Lista e monitora jobs do Databricks, ajudando os usuários a acompanhar tarefas em andamento ou agendadas em seu workspace.
• Acompanhamento de Status de Jobs
  Recupera rapidamente o status de jobs específicos do Databricks, permitindo monitoramento e solução de problemas eficiente.
• Inspeção Detalhada de Jobs
  Acessa informações aprofundadas sobre jobs do Databricks, facilitando o debug e a otimização de pipelines ETL ou jobs em lote.

Como configurar

Windsurf

1. Certifique-se de que o Python 3.7+ está instalado e de que as credenciais do Databricks estão disponíveis.
2. Clone o repositório e instale os requisitos com pip install -r requirements.txt.
3. Crie um arquivo .env com suas credenciais do Databricks.
4. Adicione o Servidor MCP do Databricks à sua configuração do Windsurf:

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

5. Salve a configuração e reinicie o Windsurf. Verifique a configuração executando uma consulta de teste.

Exemplo de proteção de chaves de API:

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

Claude

1. Instale o Python 3.7+ e clone o repositório.
2. Configure o arquivo .env com as credenciais do Databricks.
3. Configure a interface MCP do Claude:

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

4. Reinicie o Claude e valide a conexão.

Cursor

1. Clone o repositório e configure o ambiente Python.
2. Instale as dependências e crie o .env com as credenciais.
3. Adicione o servidor à configuração do Cursor:

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

4. Salve a configuração e teste a conexão.

Cline

1. Prepare o Python e as credenciais como acima.
2. Clone o repositório, instale os requisitos e configure o .env.
3. Adicione a entrada do servidor MCP à configuração do Cline:

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

4. Salve, reinicie o Cline e verifique se o Servidor MCP está operacional.

Nota: Sempre proteja suas chaves e segredos de API utilizando variáveis de ambiente, conforme mostrado nos exemplos de configuração acima.

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP ao seu fluxo no FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do sistema MCP, insira os detalhes do seu servidor MCP usando este formato JSON:

{
  "databricks": {
    "transport": "streamable_http",
    "url": "https://seumcpserver.exemplo/caminhoparamcp/url"
  }
}

Uma vez configurado, o agente de IA já pode utilizar este MCP como ferramenta, com acesso a todas as suas funções e capacidades. Lembre-se de substituir “databricks” pelo nome real do seu servidor MCP e trocar a URL pela URL do seu próprio servidor MCP.

Visão Geral

| Suporte Roots | ⛔ | Não mencionado |

Com base na disponibilidade dos recursos principais (ferramentas, orientações de configuração e segurança, mas sem recursos ou modelos de prompt), o Servidor MCP do Databricks é eficaz para integração com a API do Databricks, mas carece de algumas primitivas MCP avançadas. Eu avaliaria este servidor MCP com 6 de 10 em completude e utilidade no contexto do ecossistema MCP.

Pontuação MCP