Databricks Genie MCP Server

O que faz o servidor MCP “Databricks Genie”?

O Databricks Genie MCP Server é um servidor Model Context Protocol (MCP) criado para conectar assistentes de IA à API Genie do Databricks. Essa integração permite que grandes modelos de linguagem (LLMs) interajam com ambientes Databricks usando linguagem natural. Por meio do servidor, LLMs podem executar ações como listar espaços Genie, recuperar metadados do workspace, iniciar e gerenciar conversas Genie e rodar consultas SQL — tudo via ferramentas MCP padronizadas. Atuando como um conector, o Databricks Genie MCP Server permite aos desenvolvedores aprimorar seus fluxos de trabalho com exploração de dados conversacional, consultas SQL diretas e interação fluida com agentes conversacionais do Databricks, otimizando o desenvolvimento e análise orientados a dados.

Lista de Prompts

Nenhum template de prompt explícito está documentado no repositório.

Lista de Recursos

Nenhum recurso explícito é descrito no repositório.

Lista de Ferramentas

• get_genie_space_id()
  Lista os IDs e títulos dos espaços Genie disponíveis no seu workspace Databricks.
• get_space_info(space_id: str)
  Recupera o título e a descrição de metadados de um espaço Genie especificado.
• ask_genie(space_id: str, question: str)
  Inicia uma nova conversa Genie fazendo uma pergunta em linguagem natural e retorna o SQL e as tabelas de resultados.
• follow_up(space_id: str, conversation_id: str, question: str)
  Dá seguimento a uma conversa Genie existente com uma pergunta adicional.

Casos de Uso deste Servidor MCP

• Exploração de Dados Conversacional
  Desenvolvedores e analistas podem utilizar linguagem natural para consultar dados do Databricks via Genie de forma interativa, tornando a análise de dados mais acessível e intuitiva.
• Geração Automatizada de Consultas SQL
  O servidor converte perguntas em linguagem natural em comandos SQL, executando-os em espaços Genie e retornando resultados estruturados, economizando tempo e reduzindo erros.
• Recuperação de Metadados do Workspace
  Busque facilmente metadados (títulos, descrições) sobre espaços Genie para entender e documentar os recursos de dados disponíveis.
• Gerenciamento de Conversas
  Mantenha o contexto em conversas multi-turno, permitindo fluxos analíticos complexos em que perguntas se baseiam em respostas anteriores.
• Integração com Assistentes de IA
  Adicione facilmente funcionalidades do Databricks Genie a IDEs ou chats com IA, otimizando fluxos de ciência de dados dentro de ferramentas já conhecidas.

Como configurar

Windsurf

1. Certifique-se de que o Python 3.7+ está instalado em seu sistema.
2. Clone o repositório do Databricks Genie MCP e instale as dependências.
3. Crie um arquivo .env com suas credenciais do Databricks (DATABRICKS_HOST e DATABRICKS_TOKEN).
4. Na configuração do Windsurf, adicione o servidor MCP usando o seguinte trecho JSON:

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

5. Reinicie o Windsurf e verifique se o servidor aparece entre os MCP disponíveis.
6. Protegendo as chaves de API:
   Use variáveis de ambiente para manter as credenciais seguras. Exemplo:

   {
     "env": {
       "DATABRICKS_HOST": "sua-instancia-databricks.cloud.databricks.com",
       "DATABRICKS_TOKEN": "seu-token-de-acesso-pessoal"
     },
     "inputs": {}
   }
   

Claude

1. Instale o Python 3.7+ e as dependências do repositório.
2. Configure o .env com o host e token do Databricks.
3. A partir do diretório do projeto, execute:

   mcp install main.py
   

4. Abra o Claude Desktop, vá em Recursos → Adicionar Recurso e selecione seu Genie MCP Server.
5. Comece a conversar com seus dados do Databricks.

Cursor

1. Certifique-se de que todos os pré-requisitos e dependências foram cumpridos e que o .env está configurado.
2. Adicione o seguinte à configuração do Cursor:

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

3. Salve a configuração e reinicie o Cursor.
4. Verifique a conexão com o servidor e se as variáveis de ambiente estão definidas conforme acima.

Cline

1. Instale o Python 3.7+, clone o repositório e configure seu .env.
2. Adicione o servidor MCP na configuração do Cline:

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

3. Reinicie o Cline e verifique se o servidor MCP está ativo.
4. Utilize variáveis de ambiente para proteger suas credenciais.

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP no seu fluxo do FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

{
  "databricks-genie": {
    "transport": "streamable_http",
    "url": "https://seumcpserver.exemplo/pathtothemcp/url"
  }
}

Uma vez configurado, o agente de IA poderá usar este MCP como ferramenta, com acesso a todas as suas funções e capacidades. Lembre-se de trocar “databricks-genie” pelo nome real do seu servidor MCP e substituir a URL pela do seu servidor MCP.

Visão geral

Nossa opinião

O Databricks Genie MCP Server oferece uma ponte prática entre o Databricks e LLMs, com instruções claras de configuração e ferramentas úteis. Porém, faltam templates de prompts, recursos explícitos e documentação sobre recursos MCP avançados como sampling ou roots. As ferramentas principais são bem definidas e úteis para usuários do Databricks. No geral, pontua acima da média, mas poderia se beneficiar de uma utilização mais rica de recursos MCP.

Pontuação MCP