Databricks SQL

De Databricks SQL MCP-server is een door Azure Databricks beheerde MCP-server die agenten in staat stelt AI-gegenereerde SQL te draaien op je Unity Catalog-tabellen om data te lezen en te schrijven, met toegang die wordt beheerst door Unity Catalog-rechten. Queries worden asynchroon uitgevoerd: de agent roept de tool aan om een query te starten, en pollt vervolgens totdat het antwoord voltooid is.

Gebruik deze server voor ontwikkeling en data engineering: het uitvoeren van een specifieke query die jij of je codeeragent heeft geschreven, het inspecteren van schema's, het valideren van SQL-syntaxis en het maken van datapijplijnen vanuit AI-coderingstools. Het geeft je deterministische controle over de exacte SQL die draait.

Genie One MCP vs. Databricks SQL MCP-servers

Voor analytics-toepassingen, waarbij een gebruiker een zakelijke vraag in natuurlijke taal stelt, gebruik dan de Genie One MCP-server . Genie lost zakelijke termen op via Genie Ontology, je bestuurde semantische laag, waardoor het nauwkeurigere antwoorden levert dan een agent die SQL direct schrijft tegen ruwe tabellen.

Gebruik de Databricks SQL MCP-server wanneer je een specifieke query moet uitvoeren die je al hebt geschreven, zoals het valideren van syntaxis of het schrijven van een pipeline.

_meta Parameters

_meta parameters zijn configuratiewaarden die je vooraf in je agentcode instelt om het gedrag van de MCP-server deterministisch in te stellen, in plaats van dat de LLM ze dynamisch genereert tijdens het aanroepen van de tool. De Databricks SQL MCP-server ondersteunt de volgende _meta parameter:

Voorbeeld: een SQL-warehouse opgeven voor Databricks SQL-query's

In dit voorbeeld ziet u hoe u de warehouse_id_meta parameter gebruikt om op te geven welke SQL Warehouse query's uitvoert vanaf de Databricks SQL MCP-server met behulp van de officiële Python MCP SDK.

In dit scenario wilt u het volgende doen:

• Gebruik een specifiek SQL Warehouse voor het uitvoeren van query's in plaats van dat het systeem er automatisch een kan selecteren
• Consistente prestaties controleren door query's door te routeren naar een toegewezen magazijn

Als u dit voorbeeld wilt uitvoeren, stelt u uw Python-omgeving in voor beheerde MCP-ontwikkeling:

Zie Verbinding maken met een SQL-warehouse om uw SQL-warehouse-id te vinden.

# Import required libraries for MCP client and Databricks authentication
import asyncio
from databricks.sdk import WorkspaceClient
from databricks_mcp.oauth_provider import DatabricksOAuthClientProvider
from mcp.client.streamable_http import streamablehttp_client
from mcp.client.session import ClientSession
from mcp.types import CallToolRequest, CallToolResult

async def run_dbsql_tool_call_with_meta():
    # Initialize Databricks workspace client for authentication
    workspace_client = WorkspaceClient()

    # Construct the MCP server URL for DBSQL
    # Replace <workspace-hostname> with your workspace hostname
    mcp_server_url = "https://<workspace-hostname>/api/2.0/mcp/sql"

    # Establish connection to the MCP server with OAuth authentication
    async with streamablehttp_client(
        url=mcp_server_url,
        auth=DatabricksOAuthClientProvider(workspace_client),
    ) as (read_stream, write_stream, _):

        # Create an MCP session for making tool calls
        async with ClientSession(read_stream, write_stream) as session:
            # Initialize the session before making requests
            await session.initialize()

            # Create the tool call request with warehouse_id in _meta
            request = CallToolRequest(
                method="tools/call",
                params={
                    # Tool name for executing SQL queries
                    "name": "execute_sql",

                    # Dynamic arguments - typically provided by your AI agent
                    "arguments": {
                        "query": "SELECT * FROM my_catalog.my_schema.my_table LIMIT 10"
                    },

                    # Meta parameters - specify which warehouse to use
                    "_meta": {
                        "warehouse_id": "a1b2c3d4e5f67890"  # Your SQL warehouse ID
                    }
                }
            )

            # Send the request and get the response
            response = await session.send_request(request, CallToolResult)
            return response

# Execute the async function and get results
response = asyncio.run(run_dbsql_tool_call_with_meta())

Limitations

• Geen semantische context. De server draait de SQL die hij krijgt. Het lost geen zakelijke termen, metriekdefinities of tabelrelaties op, dus een agent moet ze alleen uit schema's afleiden. Voor analytische vragen die in natuurlijke taal worden gesteld, gebruik de Genie One MCP-server, die antwoorden onderbouwt in Genie Ontology.
• Resultaatgrootte. De server kortst grote resultatensets af in tool-antwoorden om te voorkomen dat het contextvenster van het model wordt uitgeput. Geef minder rijen en kolommen terug, of aggregeer in SQL, om de resultaten binnen de limiet te houden.
• Asynchrone uitvoering. Queries worden niet synchroon teruggegeven. De agent initieert een query en controleert vervolgens periodiek of deze is voltooid, dus hij moet tussenliggende statussen kunnen afhandelen.