Databricks MCP-server

Vad gör “Databricks” MCP-servern?

Databricks MCP (Model Context Protocol) Server är ett specialverktyg som kopplar AI-assistenter till Databricks-plattformen och möjliggör sömlös interaktion med Databricks-resurser via naturliga språkliga gränssnitt. Servern fungerar som en brygga mellan stora språkmodeller (LLM:er) och Databricks API:er, vilket gör det möjligt för LLM:er att köra SQL-frågor, lista jobb, hämta jobbstatus och få detaljerad jobbinformation. Genom att exponera dessa möjligheter via MCP-protokollet ger Databricks MCP-servern utvecklare och AI-agenter möjlighet att automatisera dataflöden, hantera Databricks-jobb och effektivisera databasoperationer och därmed öka produktiviteten i datadrivna utvecklingsmiljöer.

Lista över prompts

Inga promptmallar beskrivs i repot.

Lista över resurser

Inga specifika resurser listas i repot.

Lista över verktyg

• run_sql_query(sql: str)
  Kör SQL-frågor på Databricks SQL-lagret.
• list_jobs()
  Lista alla Databricks-jobb i arbetsytan.
• get_job_status(job_id: int)
  Hämta status för ett specifikt Databricks-jobb via dess ID.
• get_job_details(job_id: int)
  Hämta detaljerad information om ett specifikt Databricks-jobb.

Användningsfall för denna MCP-server

• Automatisering av databasfrågor
  Gör det möjligt för LLM:er och användare att köra SQL-frågor på Databricks-lager direkt från konversationsgränssnitt och effektivisera dataanalysflöden.
• Jobbhantering
  Lista och övervaka Databricks-jobb, vilket hjälper användare att hålla koll på pågående eller schemalagda uppgifter i arbetsytan.
• Jobbstatusspårning
  Hämta snabbt statusen för specifika Databricks-jobb för effektiv övervakning och felsökning.
• Detaljerad jobbinspektion
  Få djupgående information om Databricks-jobb och underlätta felsökning och optimering av ETL-pipelines eller batchjobb.

Hur man sätter upp det

Windsurf

1. Säkerställ att Python 3.7+ är installerat och att Databricks-uppgifter finns tillgängliga.
2. Klona repot och installera beroenden med pip install -r requirements.txt.
3. Skapa en .env-fil med dina Databricks-uppgifter.
4. Lägg till Databricks MCP-server i din Windsurf-konfiguration:

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

5. Spara konfigurationen och starta om Windsurf. Verifiera installationen genom att köra en testfråga.

Exempel på säkring av API-nycklar:

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

Claude

1. Installera Python 3.7+ och klona repot.
2. Skapa .env-filen med Databricks-uppgifter.
3. Konfigurera Claudes MCP-gränssnitt:

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

4. Starta om Claude och validera anslutningen.

Cursor

1. Klona repot och sätt upp Python-miljön.
2. Installera beroenden och skapa .env med uppgifter.
3. Lägg till servern i Cursors konfiguration:

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

4. Spara konfigurationen och testa anslutningen.

Cline

1. Förbered Python och uppgifter enligt ovan.
2. Klona repot, installera beroenden och konfigurera .env.
3. Lägg till MCP-serverpost i Clines konfiguration:

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

4. Spara, starta om Cline och verifiera att MCP-servern är igång.

Obs! Skydda alltid dina API-nycklar och hemligheter genom att använda miljövariabler som visas i konfigurationsexemplen ovan.

Hur man använder denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion anger du dina MCP-serveruppgifter med detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att byta ut “databricks” till det faktiska namnet på din MCP-server och ersätt URL:en med din egen MCP-serveradress.

Översikt

| Rotstöd | ⛔ | Ej nämnt |

Utifrån tillgången till kärnfunktioner (verktyg, installations- och säkerhetsvägledning men inga resurser eller promptmallar) är Databricks MCP-servern effektiv för Databricks API-integration men saknar vissa avancerade MCP-primitiver. Jag skulle ge denna MCP-server 6 av 10 för övergripande fullständighet och nytta i MCP-ekosystemet.

MCP-poäng