项目简介

此仓库包含基于 Model Context Protocol (MCP) 构建的服务器实现，旨在将 Databricks 的能力（如访问 Unity Catalog 中的数据和函数、与 Databricks Genie 交互）暴露给支持 MCP 的 AI 代理或大型语言模型 (LLM) 客户端。它允许 AI 代理通过标准化的工具调用方式，安全地访问和操作企业数据及服务。

主要功能点

• 数据和函数访问： 通过 Databricks Unity Catalog 服务器，AI 代理可以访问在 Unity Catalog 中注册的数据表（特别是支持向量搜索的索引）和用户定义的函数。
• Genie 交互： 集成了 Databricks Genie 功能，允许 AI 代理启动对话、发送消息、获取结果等，实现更复杂的企业数据查询和分析。
• 标准化接口： 作为 MCP 服务器，它通过 JSON-RPC 协议提供统一的接口，使不同 MCP 客户端能够无缝集成和利用 Databricks 的能力。
• 工具暴露： 将 Databricks 的具体操作（如查询向量索引、执行函数、与Genie聊天）抽象为 MCP 工具，供 AI 代理发现和调用。

安装步骤

1. 安装 'uv'：这是一个快速的 Python 打包工具，用于管理依赖和运行环境。请参考 uv 官方文档进行安装。
2. 使用 'uv' 安装 Python：执行命令 'uv python install 3.12' 来安装 Python 3.12 环境。
3. 配置 Databricks 凭据：根据 Databricks 官方文档配置您的凭据，确保服务器进程可以访问所需的 Databricks API。这通常涉及到设置环境变量（如 'DATABRICKS_HOST', 'DATABRICKS_TOKEN'）或配置文件。
4. 克隆此 GitHub 仓库到本地。

服务器配置（供MCP客户端使用）

要让支持 MCP 的 AI 客户端使用此服务器，您需要在客户端的配置中添加此服务器的信息。配置通常是一个 JSON 对象，指定服务器的名称、如何启动它以及启动时需要传递的参数。

例如，对于支持 MCP 的客户端，您可能需要添加一个服务器配置项，其内容大致如下（配置格式取决于客户端，以下是概念描述，不是直接可用的代码片段）：

• 服务器名称 (Server Name): 'databricks_unity_catalog' (客户端用来识别此服务器的唯一名称)
• 启动命令 (Command): 指定 'uv' 可执行文件的完整路径。
• 启动参数 (Args):
  • '--directory': 指定此仓库中 Unity Catalog 服务器代码所在的目录路径（例如：'/path/to/this/repo/servers/unity_catalog'）。
  • 'run': 'uv' 的运行命令。
  • 'unitycatalog-mcp': 启动 Unity Catalog MCP 服务器的入口点命令。
  • '-s' 或 '--schema-full-name': (可选) 指定要暴露的 Unity Catalog schema 的完整名称，格式为 'catalog_name.schema_name'。例如 '-s your_catalog.your_schema'。提供此参数将暴露该 schema 下支持的向量搜索索引和用户定义函数作为工具。
  • '-g' 或 '--genie-space-ids': (可选) 指定要暴露的 Databricks Genie Space ID 列表，用逗号分隔。例如 '-g genie_space_id_1,genie_space_id_2'。提供此参数将暴露与指定 Genie Space 交互相关的工具。
  • 请根据您的实际路径和需求替换上述示例值。

基本使用方法

将上述配置添加到您的 MCP 客户端后，启动客户端。客户端将通过配置的命令启动此 MCP 服务器进程，并通过标准输入/输出来进行 MCP 协议通信（Stdio 传输）。一旦连接建立，客户端会发现服务器提供的工具列表（如查询数据、执行函数、Genie 聊天工具）。AI 代理即可在生成回复时，根据需要调用这些工具来获取 Databricks 中的实时信息或执行操作。