Databricks Genie MCP 服务器

“Databricks Genie” MCP 服务器的功能是什么？

Databricks Genie MCP 服务器是一个 Model Context Protocol (MCP) 服务器，旨在为 AI 助手和 Databricks Genie API 搭建桥梁。这一集成让大语言模型（LLM）能够通过自然语言与 Databricks 环境交互。借助该服务器，LLM 能执行如列出 Genie 空间、获取工作区元数据、发起并管理 Genie 对话以及运行 SQL 查询等操作，全部通过标准化的 MCP 工具完成。Databricks Genie MCP 服务器作为连接器，使开发者能够通过对话式数据探索、直接 SQL 查询和与 Databricks 对话代理的无缝交互来提升工作流程，从而简化数据驱动的开发和分析。

提示模板列表

仓库中未记录显式的提示模板。

资源列表

仓库中未描述显式资源。

工具列表

• get_genie_space_id()
  列出您 Databricks 工作区中的 Genie 空间 ID 和标题。
• get_space_info(space_id: str)
  获取指定 Genie 空间的标题和描述元数据。
• ask_genie(space_id: str, question: str)
  通过自然语言问题发起新的 Genie 对话，并返回 SQL 及结果表。
• follow_up(space_id: str, conversation_id: str, question: str)
  通过跟进问题继续现有 Genie 对话。

此 MCP 服务器的应用场景

• 对话式数据探索
  开发者和分析师可用自然语言通过 Genie 交互式查询 Databricks 数据，让数据分析变得更易用、更直观。
• 自动 SQL 查询生成
  服务器将自然语言问题转为 SQL 语句，在 Genie 空间执行并返回结构化结果，节省时间，降低错误率。
• 工作区元数据获取
  轻松获取 Genie 空间的元数据（标题、描述），便于理解和记录可用数据资源。
• 对话管理
  支持多轮对话上下文，便于构建复杂分析工作流，让问题能基于上次答案持续深入。
• 与 AI 助手集成
  可将 Databricks Genie 能力无缝集成到 AI 驱动的 IDE 或聊天界面，在熟悉的工具中优化数据科学流程。

如何部署

Windsurf

1. 确保您的系统已安装 Python 3.7+。
2. 克隆 Databricks Genie MCP 仓库并安装依赖。
3. 创建一个包含 Databricks 凭证（DATABRICKS_HOST 和 DATABRICKS_TOKEN）的 .env 文件。
4. 在您的 Windsurf 配置中，使用以下 JSON 片段添加 MCP 服务器：

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

5. 重启 Windsurf，并确保服务器出现在可用的 MCP 服务器列表中。
6. API 密钥安全管理：
   使用环境变量保护凭证。示例：

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

Claude

1. 安装 Python 3.7+ 及仓库依赖。
2. 用您的 Databricks host 和 token 配置 .env。
3. 在项目目录下运行：

   mcp install main.py
   

4. 打开 Claude Desktop，进入 Resources → Add Resource，选择您的 Genie MCP 服务器。
5. 开始与 Databricks 数据对话。

Cursor

1. 确保所有前置条件和依赖已满足，并配置好 .env。
2. 在 Cursor 配置中添加如下内容：

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

3. 保存配置并重启 Cursor。
4. 验证服务器连接，并确保已按上述方式设置环境变量。

Cline

1. 安装 Python 3.7+，克隆仓库并配置 .env。
2. 在 Cline 配置中添加 MCP 服务器：

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

3. 重启 Cline，确保 MCP 服务器处于激活状态。
4. 用环境变量保护您的凭证。

如何在流程中使用 MCP

在 FlowHunt 中集成 MCP

要将 MCP 服务器集成到 FlowHunt 工作流中，首先在流程中添加 MCP 组件并连接到您的 AI Agent：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，使用以下 JSON 格式输入 MCP 服务器信息：

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

配置完成后，AI agent 即可作为工具使用该 MCP，享受全部功能和能力。请记得将 “databricks-genie” 改为您的实际 MCP 服务器名称，并将 URL 替换为您自己的 MCP 服务器地址。

概览

我们的看法

Databricks Genie MCP 服务器为 Databricks 与 LLM 提供了实用的桥梁，并有清晰的部署说明和工具。但它缺乏提示模板、显式资源，以及对采样等高级 MCP 特性的文档。核心工具定义清晰，对 Databricks 用户非常实用。总体评分高于平均水平，但若能丰富 MCP 特性利用会更佳。

MCP 评分