Databricks Genie MCP-server

Vad gör “Databricks Genie” MCP-servern?

Databricks Genie MCP-servern är en Model Context Protocol (MCP)-server utformad för att koppla samman AI-assistenter och Databricks Genie API. Denna integration ger stora språkmodeller (LLM:er) möjlighet att interagera med Databricks-miljöer via naturligt språk. Genom servern kan LLM:er utföra åtgärder som att lista Genie spaces, hämta metadata om arbetsytor, initiera och hantera Genie-konversationer samt köra SQL-frågor – allt via standardiserade MCP-verktyg. Databricks Genie MCP-servern fungerar som en brygga och möjliggör för utvecklare att förbättra sina arbetsflöden med konversationell datautforskning, direkt SQL-frågning och sömlös interaktion med Databricks-konversationsagenter, vilket effektiviserar datadrivet utvecklings- och analysarbete.

Lista över prompts

Inga explicita promptmallar är dokumenterade i repot.

Redo att växa ditt företag?

Starta din kostnadsfria provperiod idag och se resultat inom några dagar.

Begär demo Logga in

Lista över resurser

Inga explicita resurser är beskrivna i repot.

Lista över verktyg

• get_genie_space_id()
  Listar tillgängliga Genie space-ID:n och titlar i din Databricks-arbetsyta.
• get_space_info(space_id: str)
  Hämtar titel och beskrivningsmetadata för en angiven Genie space.
• ask_genie(space_id: str, question: str)
  Startar en ny Genie-konversation genom att ställa en fråga på naturligt språk och returnerar SQL och resultat-tabeller.
• follow_up(space_id: str, conversation_id: str, question: str)
  Fortsätter en befintlig Genie-konversation med en uppföljningsfråga.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP-server

• Konversationell datautforskning
  Utvecklare och analytiker kan använda naturligt språk för att interaktivt fråga Databricks-data via Genie, vilket gör dataanalys mer tillgänglig och intuitiv.
• Automatisk SQL-frågegenerering
  Servern omvandlar naturliga språkfrågor till SQL-satser, kör dem på Genie spaces och returnerar strukturerade resultat, vilket sparar tid och minskar fel.
• Hämtning av arbetsytas metadata
  Hämta enkelt metadata (titlar, beskrivningar) om Genie spaces för att förstå och dokumentera tillgängliga dataresurser.
• Konversationshantering
  Bibehåll kontext över flerstegskonversationer, vilket möjliggör komplexa analytiska arbetsflöden där frågor bygger på tidigare svar.
• Integration med AI-assistenter
  Lägg smidigt till Databricks Genie-funktionalitet i AI-drivna IDE:er eller chattgränssnitt och effektivisera data science-arbetsflöden i välbekanta verktyg.

Så här sätter du upp det

Windsurf

1. Säkerställ att Python 3.7+ är installerat på ditt system.
2. Klona Databricks Genie MCP-repot och installera beroenden.
3. Skapa en .env-fil med dina Databricks-inloggningsuppgifter (DATABRICKS_HOST och DATABRICKS_TOKEN).
4. Lägg till MCP-servern i din Windsurf-konfiguration med följande JSON-snippet:

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

5. Starta om Windsurf och verifiera att servern dyker upp bland dina tillgängliga MCP-servrar.
6. Säkra API-nycklar:
   Använd miljövariabler för att hålla inloggningsuppgifter säkra. Exempel:

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

Claude

1. Installera Python 3.7+ och repo-beroenden.
2. Konfigurera .env med din Databricks host och token.
3. Kör från projektkatalogen:

   mcp install main.py
   

4. Öppna Claude Desktop, navigera till Resources → Add Resource och välj din Genie MCP-server.
5. Börja chatta med din Databricks-data.

Cursor

1. Säkerställ att alla förutsättningar och beroenden är uppfyllda och att .env är konfigurerad.
2. Lägg till följande i din Cursor-konfiguration:

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

3. Spara konfigurationen och starta om Cursor.
4. Kontrollera serveranslutningen och att miljövariabler satts enligt ovan.

Cline

1. Installera Python 3.7+, klona repot och konfigurera din .env.
2. Lägg till MCP-servern i din Cline-konfig:

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

3. Starta om Cline och verifiera att MCP-servern är aktiv.
4. Använd miljövariabler för att skydda dina inloggningsuppgifter.

Så här använder du 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, lägg in dina MCP-serverdetaljer med detta JSON-format:

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

När detta är konfigurerat kan AI-agenten nu använda MCP:t som ett verktyg med åtkomst till alla dess funktioner och möjligheter. Kom ihåg att ändra “databricks-genie” till det faktiska namnet på din MCP-server och ersätt URL:en med din egen MCP-server-URL.

Översikt

Vår åsikt

Databricks Genie MCP-servern erbjuder en praktisk brygga mellan Databricks och LLM:er med tydliga installationsinstruktioner och verktyg. Dock saknas promptmallar, explicita resurser och dokumentation kring avancerade MCP-funktioner som sampling eller roots. Kärnverktygen är väldefinierade och användbara för Databricks-användare. Sammantaget får den ett betyg över medel, men skulle vinna på ett rikare utnyttjande av MCP-funktionalitet.

MCP-betyg