Serveur MCP Databricks Genie

Que fait le serveur MCP « Databricks Genie » ?

Le serveur MCP Databricks Genie est un serveur Model Context Protocol (MCP) conçu pour faire le lien entre les assistants IA et l’API Databricks Genie. Cette intégration permet aux grands modèles de langage (LLM) d’interagir avec des environnements Databricks en utilisant le langage naturel. Grâce à ce serveur, les LLM peuvent effectuer des actions telles que lister les espaces Genie, récupérer les métadonnées de l’espace de travail, initier et gérer des conversations Genie, et exécuter des requêtes SQL — le tout via des outils MCP standardisés. En agissant comme connecteur, le serveur MCP Databricks Genie permet aux développeurs d’améliorer leurs flux de travail avec l’exploration de données conversationnelle, l’interrogation SQL directe et une interaction fluide avec les agents conversationnels Databricks, simplifiant ainsi le développement et l’analyse axés sur les données.

Liste des prompts

Aucun modèle de prompt explicite n’est documenté dans le dépôt.

Liste des ressources

Aucune ressource explicite n’est décrite dans le dépôt.

Liste des outils

• get_genie_space_id()
  Liste les IDs et titres des espaces Genie disponibles dans votre espace de travail Databricks.
• get_space_info(space_id: str)
  Récupère le titre et la description de métadonnées d’un espace Genie spécifié.
• ask_genie(space_id: str, question: str)
  Démarre une nouvelle conversation Genie en posant une question en langage naturel et renvoie la requête SQL ainsi que les tables de résultats.
• follow_up(space_id: str, conversation_id: str, question: str)
  Poursuit une conversation Genie existante avec une question de suivi.

Cas d’usage de ce serveur MCP

• Exploration de données conversationnelle
  Les développeurs et analystes peuvent utiliser le langage naturel pour interroger de façon interactive les données Databricks via Genie, rendant l’analyse plus accessible et intuitive.
• Génération automatisée de requêtes SQL
  Le serveur convertit les questions en langage naturel en requêtes SQL, les exécute sur les espaces Genie et retourne des résultats structurés, ce qui fait gagner du temps et réduit les erreurs.
• Récupération des métadonnées de l’espace de travail
  Récupérez facilement les métadonnées (titres, descriptions) des espaces Genie pour comprendre et documenter les ressources de données disponibles.
• Gestion de la conversation
  Maintenez le contexte lors de conversations multi-tours, permettant des workflows analytiques complexes où les questions se construisent sur les réponses précédentes.
• Intégration avec les assistants IA
  Ajoutez facilement les capacités Genie de Databricks à des IDE ou interfaces de chat alimentés par l’IA, simplifiant les workflows de data science dans vos outils habituels.

Comment le configurer

Windsurf

1. Assurez-vous que Python 3.7+ est installé sur votre système.
2. Clonez le dépôt Databricks Genie MCP et installez les dépendances.
3. Créez un fichier .env avec vos identifiants Databricks (DATABRICKS_HOST et DATABRICKS_TOKEN).
4. Dans la configuration Windsurf, ajoutez le serveur MCP à l’aide de l’extrait JSON suivant :

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

5. Redémarrez Windsurf et vérifiez que le serveur apparaît dans vos serveurs MCP disponibles.
6. Sécurisation des clés API :
   Utilisez les variables d’environnement pour sécuriser vos identifiants. Exemple :

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

Claude

1. Installez Python 3.7+ et les dépendances depuis le dépôt.
2. Configurez le fichier .env avec votre hôte et token Databricks.
3. Depuis le répertoire du projet, exécutez :

   mcp install main.py
   

4. Ouvrez Claude Desktop, allez dans Ressources → Ajouter une ressource, et sélectionnez votre serveur MCP Genie.
5. Commencez à discuter avec vos données Databricks.

Cursor

1. Vérifiez que toutes les dépendances sont en place et que .env est configuré.
2. Ajoutez ce qui suit à votre configuration Cursor :

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

3. Sauvegardez la configuration et redémarrez Cursor.
4. Vérifiez la connexion au serveur et assurez-vous que les variables d’environnement sont définies comme ci-dessus.

Cline

1. Installez Python 3.7+, clonez le dépôt et configurez votre .env.
2. Ajoutez le serveur MCP dans la configuration Cline :

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

3. Redémarrez Cline et vérifiez que le serveur MCP est actif.
4. Utilisez les variables d’environnement pour protéger vos identifiants.

Comment utiliser ce MCP dans les flows

Utiliser MCP dans FlowHunt

Pour intégrer des serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et reliez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration du MCP système, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “databricks-genie” par le vrai nom de votre serveur MCP et l’URL par celle de votre propre serveur MCP.

Vue d’ensemble

Notre avis

Le serveur MCP Databricks Genie offre un pont pratique entre Databricks et les LLM, avec des instructions de configuration claires et des outils efficaces. Cependant, il manque de modèles de prompt, de ressources explicites et de documentation sur des fonctionnalités MCP avancées comme le sampling ou les roots. Les outils principaux sont bien définis et utiles pour les utilisateurs Databricks. Globalement, il obtient un score supérieur à la moyenne mais bénéficierait d’une utilisation plus riche des fonctionnalités MCP.

Score MCP