DataHub MCP Server-integration

Vad gör “DataHub” MCP Server?

DataHub MCP (Model Context Protocol) Server fungerar som en brygga mellan AI-assistenter och ditt DataHub-dataekosystem. Genom att exponera DataHubs kraftfulla metadata- och kontext-API:er via MCP-standarden, möjliggör denna server för AI-agenter att söka över alla entity-typer, hämta detaljerad metadata, navigera i datalinjer och lista tillhörande SQL-frågor. Detta förbättrar utvecklingsarbetsflöden dramatiskt genom att AI-modeller får tillgång till uppdaterad datakontext, kan utföra komplexa frågor och automatisera metadatautforskning direkt från ditt föredragna AI-gränssnitt. DataHub MCP Server stödjer både DataHub Core och DataHub Cloud, vilket gör den till en mångsidig lösning för organisationer som vill integrera sin metadataplattform med AI-drivna verktyg och assistenter.

Lista över promptar

Inga promptmallar är beskrivna eller nämnda i arkivet eller README.

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 MCP-resursprimitiver är beskrivna i arkivet eller README.

Lista över verktyg

• Sök över alla entity-typer och med godtyckliga filter
  Möjliggör för klienter att fråga DataHub-entitys (datarader, dashboards, pipelines, etc.) med egna filter.
• Hämta metadata för en entity
  Hämtar omfattande metadata om en specifik DataHub-entity.
• Navigera linjegrafen (uppströms och nedströms)
  Tillåter utforskning av datalinje, både uppströms (källor) och nedströms (konsumenter) för en given entity.
• Lista SQL-frågor kopplade till ett dataset
  Visar SQL-frågor kopplade till en viss datamängd för granskning och förståelse av dataanvändning.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsfall för denna MCP-server

• Omfattande datadiscovery
  Utvecklare och data scientists kan söka och filtrera över alla DataHub-entitys, vilket snabbar upp datadiscovery och minskar manuellt arbete.
• Automatiserad metadatahämtning
  AI-agenter kan programmatiskt hämta detaljerad entity-metadata, vilket stödjer automatiserad dokumentation, kvalitetskontroller eller onboarding-flöden.
• Linjeanalys för påverkansbedömning
  Genom att navigera upp- och nedströms linjer kan team genast bedöma påverkan av förändringar och förbättra datastyrning.
• SQL-granskning
  Lista och analysera enkelt SQL-frågor kopplade till datamängder, vilket hjälper vid regelefterlevnad, prestandaoptimering och dataåtkomst.
• Integration med AI-drivna agenter
  Koppla enkelt DataHub till moderna AI-assistenter för att automatisera repetitiva datahanterings- och utforskningsuppgifter direkt från chatt eller kodmiljö.

Så här sätter du upp det

Windsurf

Inga Windsurf-specifika instruktioner hittades i arkivet.

Claude

1. Installera uv .

2. Lokalisera hela sökvägen till uvx-kommandot med which uvx.

3. Hämta din DataHub-URL och personliga åtkomsttoken.

4. Redigera din claude_desktop_config.json-fil:

   {
     "mcpServers": {
       "datahub": {
         "command": "<full-path-to-uvx>",  // t.ex. /Users/hsheth/.local/bin/uvx
         "args": ["mcp-server-datahub"],
         "env": {
           "DATAHUB_GMS_URL": "<your-datahub-url>",
           "DATAHUB_GMS_TOKEN": "<your-datahub-token>"
         }
       }
     }
   }
   

5. Spara och (om)starta Claude Desktop. Verifiera anslutningen i agentgränssnittet.

Cursor

1. Installera uv .

2. Hämta din DataHub-URL och personliga åtkomsttoken.

3. Redigera .cursor/mcp.json:

   {
     "mcpServers": {
       "datahub": {
         "command": "uvx",
         "args": ["mcp-server-datahub"],
         "env": {
           "DATAHUB_GMS_URL": "<your-datahub-url>",
           "DATAHUB_GMS_TOKEN": "<your-datahub-token>"
         }
       }
     }
   }
   

4. Spara filen och starta om Cursor. Kontrollera MCP-statuspanelen.

Cline

Inga Cline-specifika instruktioner hittades i arkivet.

Generiska/andra MCP-klienter

1. Installera uv .

2. Förbered din DataHub-URL och personliga åtkomsttoken.

3. Använd denna konfiguration:

   command: uvx
   args:
     - mcp-server-datahub
   env:
     DATAHUB_GMS_URL: <your-datahub-url>
     DATAHUB_GMS_TOKEN: <your-datahub-token>
   

4. Integrera detta kommando i din MCP-klientkonfiguration.

Säkerställ API-nycklar

Lagra alltid känsliga autentiseringsuppgifter som DATAHUB_GMS_TOKEN i miljövariabler, inte i klartextfiler. Använd env-fältet i din konfiguration enligt ovan för att injicera hemligheter säkert.

Så 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, ange dina MCP-serveruppgifter med detta JSON-format:

{
  "datahub": {
    "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 kapabiliteter. Kom ihåg att ändra “datahub” till det faktiska namnet på din MCP-server och byt ut URL:en till din egen MCP-server-URL.

Översikt

Jag skulle ge denna MCP-server cirka 6/10. Den har en tydlig open source-licens, flera riktiga verktyg och grundläggande säkra inställningsinstruktioner, men saknar dokumenterade promptmallar, explicita resursprimitiver och avancerade MCP-funktioner som sampling eller roots.

MCP-betyg