Databricks Genie MCP Sunucusu

“Databricks Genie” MCP Sunucusu ne yapar?

Databricks Genie MCP Sunucusu, Model Context Protocol (MCP) tabanlı bir sunucu olup, yapay zeka asistanları ile Databricks Genie API arasında köprü görevi görür. Bu entegrasyon, büyük dil modellerinin (LLM) Databricks ortamlarıyla doğal dil kullanarak etkileşime geçmesini sağlar. Sunucu aracılığıyla LLM’ler; Genie alanlarını listeleyebilir, çalışma alanı meta verilerini alabilir, Genie konuşmaları başlatıp yönetebilir ve SQL sorguları çalıştırabilir—tümünü standart MCP araçlarıyla gerçekleştirebilir. Bir bağlayıcı olarak Databricks Genie MCP Sunucusu, geliştiricilerin iş akışlarını konuşmaya dayalı veri keşfi, doğrudan SQL sorgulama ve Databricks konuşma ajanlarıyla kesintisiz etkileşimle zenginleştirerek veri odaklı geliştirme ve analizi kolaylaştırır.

Prompt Listesi

Depoda açıkça dökümante edilmiş bir prompt şablonu bulunmamaktadır.

Kaynak Listesi

Depoda açıkça tanımlanmış bir kaynak bulunmamaktadır.

Araçlar Listesi

• get_genie_space_id()
  Databricks çalışma alanınızda mevcut Genie alanı kimliklerini ve başlıklarını listeler.
• get_space_info(space_id: str)
  Belirtilen bir Genie alanının başlığını ve açıklama meta verisini getirir.
• ask_genie(space_id: str, question: str)
  Doğal dilde bir soruyla yeni bir Genie konuşması başlatır ve SQL ile sonuç tablolarını döndürür.
• follow_up(space_id: str, conversation_id: str, question: str)
  Mevcut bir Genie konuşmasını takip eden bir soruyla devam ettirir.

Bu MCP Sunucusunun Kullanım Senaryoları

• Konuşmaya Dayalı Veri Keşfi
  Geliştiriciler ve analiz uzmanları, Genie aracılığıyla Databricks verilerine doğal dil ile etkileşimli olarak sorgular gönderebilir; bu, veri analizini daha erişilebilir ve sezgisel kılar.
• Otomatik SQL Sorgusu Üretimi
  Sunucu, doğal dildeki soruları SQL ifadelerine dönüştürüp Genie alanlarında çalıştırır ve yapılandırılmış sonuçlar döndürür. Bu, zamandan tasarruf sağlar ve hataları azaltır.
• Çalışma Alanı Meta Verisi Erişimi
  Genie alanları hakkında başlık ve açıklama gibi meta verileri kolayca alarak mevcut veri kaynaklarını anlamayı ve dokümante etmeyi kolaylaştırır.
• Konuşma Yönetimi
  Çok adımlı konuşmalarda bağlamı koruyarak, soruların önceki cevaplara dayalı olarak ilerlediği karmaşık analiz iş akışlarını mümkün kılar.
• Yapay Zeka Asistanları ile Entegrasyon
  Databricks Genie yeteneklerini AI tabanlı IDE’lere veya sohbet arayüzlerine kolayca ekleyerek, tanıdık araçlar içinde veri bilimi iş akışlarını hızlandırır.

Kurulum Nasıl Yapılır

Windsurf

1. Sisteminize Python 3.7+ kurulu olduğundan emin olun.
2. Databricks Genie MCP deposunu klonlayıp bağımlılıkları yükleyin.
3. Databricks kimlik bilgilerinizi (DATABRICKS_HOST ve DATABRICKS_TOKEN) içeren bir .env dosyası oluşturun.
4. Windsurf yapılandırmanıza aşağıdaki JSON koduyla MCP sunucusunu ekleyin:

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

5. Windsurf’u yeniden başlatın ve sunucunun mevcut MCP sunucuları arasında göründüğünü doğrulayın.
6. API Anahtarlarını Güvenli Tutmak:
   Kimlik bilgilerini korumak için ortam değişkenlerini kullanın. Örnek:

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

Claude

1. Python 3.7+ ve deponun bağımlılıklarını yükleyin.
2. .env dosyanızı Databricks host ve token ile yapılandırın.
3. Proje dizininizden şu komutu çalıştırın:

   mcp install main.py
   

4. Claude Desktop’u açıp Resources → Add Resource yolundan Genie MCP Sunucunuzu seçin.
5. Databricks verilerinizle konuşmaya başlayın.

Cursor

1. Tüm ön koşulların ve bağımlılıkların kurulu olduğundan ve .env dosyasının yapılandırıldığından emin olun.
2. Cursor yapılandırmanıza aşağıdakini ekleyin:

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

3. Yapılandırmayı kaydedin ve Cursor’u yeniden başlatın.
4. Sunucu bağlantısını doğrulayın ve yukarıdaki örnekte olduğu gibi ortam değişkenlerinin ayarlandığından emin olun.

Cline

1. Python 3.7+ kurun, depoyu klonlayın ve .env dosyanızı oluşturun.
2. Cline yapılandırmanıza MCP sunucusunu ekleyin:

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

3. Cline’ı yeniden başlatın ve MCP sunucusunun aktif olduğunu doğrulayın.
4. Kimlik bilgilerinizi korumak için ortam değişkenlerini kullanın.

Bu MCP’yi iş akışlarında nasıl kullanabilirsiniz

FlowHunt’ta MCP kullanımı

MCP sunucularını FlowHunt iş akışınıza entegre etmek için, akışınıza MCP bileşeni ekleyip AI ajanınıza bağlayarak başlayın:

MCP bileşenine tıklayarak yapılandırma panelini açın. Sistem MCP yapılandırması bölümünde MCP sunucu detaylarınızı şu JSON formatında ekleyin:

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

Yapılandırmayı tamamladıktan sonra, AI ajanınız bu MCP’yi bir araç olarak tüm işlev ve yetenekleriyle kullanabilir. “databricks-genie” adını kendi MCP sunucunuzun adıyla ve URL’yi kendi sunucu adresinizle değiştirmeniz gerektiğini unutmayın.

Genel Bakış

Bizim görüşümüz

Databricks Genie MCP Sunucusu, Databricks ve LLM’ler arasında pratik bir köprü sunar; açık kurulum talimatları ve araçlarıyla birlikte gelir. Ancak, prompt şablonları, açık kaynaklar ve sampling veya roots gibi ileri MCP özelliklerine dair dokümantasyon eksiktir. Temel araçlar iyi tanımlanmış ve Databricks kullanıcıları için faydalıdır. Genel olarak ortalamanın üzerinde bir puan alır, ancak daha zengin MCP özellikleri ile daha da güçlendirilebilir.

MCP Puanı