Databricks SQL

O servidor SQL MCP do Databricks é um servidor MCP gerido pelo Azure Databricks que permite aos agentes executar SQL gerado por IA contra as tabelas do Unity Catalog para ler e escrever dados, com acesso regulado pelas permissões do Unity Catalog. As consultas são executadas de forma assíncrona: o agente chama a ferramenta para iniciar uma consulta e depois faz sondagens até a resposta estar concluída.

Use este servidor para desenvolvimento e engenharia de dados: executar uma consulta específica que você ou o seu agente de programação escreveu, inspecionar esquemas, validar sintaxe SQL e criar pipelines de dados a partir de ferramentas de codificação por IA. Permite-lhe ter controlo determinístico sobre o SQL exato que é executado.

Genie One MCP vs. Databricks SQL MCP servidores

Para casos de uso analítico, onde um utilizador faz uma pergunta empresarial em linguagem natural, use o servidor MCP Genie One em vez disso. O Genie resolve termos de negócio através da Ontologia Genie, a tua camada semântica governada, por isso produz respostas mais precisas do que um agente a escrever SQL diretamente sobre tabelas brutas.

Usa o servidor SQL MCP do Databricks quando precisares de executar uma consulta específica que já escreveste, como validar a sintaxe ou criar um pipeline.

_meta Parâmetros

_meta Os parâmetros são valores de configuração que pré-define no código do agente para definir o comportamento do servidor MCP de forma determinista, em vez de deixar o LLM gerá-los dinamicamente no momento da chamada à ferramenta. O servidor SQL MCP do Databricks suporta o seguinte _meta parâmetro:

Exemplo: especificar um warehouse SQL para consultas SQL do Databricks

Este exemplo mostra como usar o warehouse_id_meta parâmetro para especificar qual o SQL warehouse que executa consultas a partir do servidor SQL MCP da Databricks usando o SDK oficial Python MCP.

Nesse cenário, você deseja:

• Use um warehouse SQL específico para execução de consultas em vez de deixar o sistema selecionar uma automaticamente
• Verifique o desempenho consistente encaminhando consultas para um armazém dedicado

Para executar este exemplo, configure seu ambiente Python para desenvolvimento MCP gerenciado:

Para encontrar o ID do seu armazém SQL, veja Ligar a um armazém SQL.

# 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

• Sem contexto semântico. O servidor executa o SQL que lhe é atribuído. Não resolve termos de negócio, definições de métricas ou relações de tabelas, pelo que um agente tem de os inferir apenas a partir dos esquemas. Para perguntas de análise feitas em linguagem natural, use o servidor Genie One MCP, que fundamenta as respostas na Genie Ontology.
• Tamanho do resultado. O servidor trunca grandes conjuntos de resultados nas respostas da ferramenta para evitar esgotar a janela de contexto do modelo. Devolva menos linhas e colunas, ou faça a agregação em SQL, para manter os resultados dentro do limite.
• Execução assíncrona. As consultas não retornam de forma síncrona. O agente inicia uma consulta e, em seguida, verifica periodicamente até que esta esteja concluída, pelo que tem de lidar com estados em curso.