Databricks MCP 服务器与 AI 驱动的仪表板应用生成器 🚀

版本2.3.0\ 协议模型上下文协议（MCP）2024-11-05\ 状态✅ 准生产就绪 | ✅ 符合MCP标准 | ✅ 集成Cursor IDE

基于AI的Databricks应用程序开发平台 - 使用自然语言和AI辅助生成、部署和管理Databricks应用程序。

______________________________________________________________________

📋 目录

概述
快速入门
特点/特性
建筑
安装
使用方法

- MCP服务器 - Dash 网页界面 - Cursor IDE 集成

基于AI的应用程序生成
可用工具
配置
部署
故障排除
更新日志
贡献；做出贡献

______________________________________________________________________

概述

该项目为基于人工智能的Databricks应用程序开发提供了一个完整的生态系统：

🎯 核心组件

MCP 服务器 (mcp_server.py）

- 基于FastAPI的MCP服务器，集成11个Databricks工具 - Unity Catalog 集成 - DLT（分布式账本技术）管道管理 - 湖景仪表板创建 - 新Databricks 应用部署

Dash 网络界面 (dash_app.py)

- 所有MCP工具的交互式网页用户界面 - 基于人工智能的代码生成 使用Claude Sonnet 4.5 - 可视化管道和仪表板构建器 - 实时部署监控 - 与MCP工具集成的聊天界面

Cursor IDE 集成

- 通过Cursor AI直接访问所有11款Databricks工具 - 对Databricks的自然语言查询 - 无缝的工作流程集成

✨ v2.3.0 版本中的新功能

🚀 表情符号“🚀”通常表示火箭、快速前进或快速移动。在中文中，它常被用来表达快速、迅速或进步的意思。例如，可以说“他进步飞快，就像🚀一样”。不过，由于表情符号的直观性，其具体含义可能因上下文和使用场景而异。 基于AI的仪表盘应用生成用自然语言描述你的应用，Claude生成代码
📦 一个包裹或箱子的符号，常用于表示邮寄、运输或存储的物品。 自动化部署一键部署到Databricks应用程序
🔐（锁形符号，常用于表示保密、安全或需要密码的界面） 自动权限自动授予Unity目录权限给应用程序服务主体
📊 表格/数据图表 查询日志记录所有SQL查询均记录时间戳以供调试
🔄 翻译为中文是：循环/旋转（符号本身无具体含义，常用于表示循环、旋转或刷新的动作） Databricks CLI 集成用途 databricks sync 和 databricks apps deploy 为了可靠地部署

______________________________________________________________________

快速入门

先决条件

Python 3.11+
启用了SQL无服务器功能的Databricks工作区
Databricks CLI 已配置databricks configure）
UV包管理器（可选，但建议使用）

安装

# Clone the repository
cd /Users/abhijit.tilak/workspace/setup_env

# Install dependencies
pip install -r requirements.txt

# Configure Databricks (if not already done)
databricks configure

启动所有服务

# Start MCP Server + Dash App
./mcp/start_all.sh

服务：

MCP 服务器http://localhost:8080 翻译为中文是：“本地主机上的8080端口”。不过，通常我们不会直接这样翻译网址，而是根据上下文或使用场景来解释或描述它。例如，可以解释为“访问本地开发服务器的8080端口”，或者“这是运行在本地计算机上的Web应用的访问地址（端口8080）”
Dash 应用http://localhost:8050 翻译为中文是：“本地主机：8050”。不过，通常我们不会直接翻译网址，而是会根据上下文说明其含义，比如“访问本地运行的服务器，端口为8050”。但在这里，直接翻译网址的话，就是“本地主机：8050”

测试设置

# Run MCP client tests
./mcp/run_mcp_client.sh

______________________________________________________________________

特点/功能

🔧 修理工具/螺丝刀（或根据上下文可译为“扳手”等具体工具） 11 个 Databricks 工具

工具	描述	使用场景
项目	描述	类型	`databricks_query`
执行SQL查询	数据分析，ETL（抽取、转换、加载）	`databricks_list_tables`
列出目录/模式中的表	数据发现	`databricks_list_catalogs`
列出可用目录	目录浏览	`databricks_list_schemas`
列出目录中的架构	浏览架构	`databricks_describe_table`
获取表模式	元数据检查	`databricks_list_functions`
列出模式中的函数	函数发现	`databricks_describe_function`
获取函数详情	函数检查	`databricks_explain_query`
获取查询执行计划	性能调优	`build_ldp_pipeline`
创建DLT管道	数据工程	`build_lakeview_dashboard`
创建AI/BI仪表板	数据可视化	`create_dash_app`

🆕 | 部署Databricks应用程序 | 应用程序部署 | 🤖 表示机器人或机器人形象的符号。

AI赋能功能

User: "Create a sales dashboard with charts and filters"
↓
Claude Sonnet 4.5 generates complete Dash app code
↓
Auto-deployed to Databricks Apps

1. 自然语言应用生成

2\. 智能代码生成
适当的错误处理
空值/无值检查
SQL查询日志记录
使用Bootstrap的响应式用户界面

实施最佳实践

3\. 聊天界面
用自然语言提问
自动选择适当的MCP工具
执行Databricks操作

在聊天中显示结果 🚀 表情符号“🚀”在中文中通常被直接保留为原样，因为它是一个通用的表情符号，表示火箭、快速上升或加速等概念。不过，如果要将其含义融入中文描述中，可以翻译为“🚀（火箭/快速上升）”。但更常见的做法是直接使用该符号本身，因为它已经具有了直观的含义。所以，单独的“🚀”在中文中就是“🚀（火箭/快速上升）”的意思，但通常直接使用符号即可。

现代分布式账本技术（DLT）流水线Unity目录集成
全面支持UC（统一通信/用户认证等，具体含义根据上下文确定）无服务器计算
默认为无服务器模式高级版
CDC（变更数据捕获）、SCD Type 2（慢变化维度类型2）、数据质量光子引擎
加速处理当前运行时
最新的Databricks运行时多笔记本支持
多个转换笔记本定时任务调度

基于时间的流水线触发器 📊（表格）

湖景仪表板
分析仪表板
成本分析视图
性能监控
数据血缘可视化

Unity Catalog 元数据查询 📦 表示“包裹”或“箱子”。

Databricks 应用部署人工智能生成的代码
克劳德开发出可投入生产的应用程序自动同步 databricks sync 用途
上传文件CLI 部署 databricks apps deploy
利用（杠杆）自动权限
授予对 Unity Catalog 表的 SELECT 权限资源配置
SQL 仓库绑定完整的应用程序结构 app.py ： requirements.txt + app.yaml

______________________________________________________________________

+

┌─────────────────────────────────────────────────────┐
│                   Cursor IDE                         │
│  (MCP Tools integrated via settings.json)           │
└────────────────┬────────────────────────────────────┘
                 │
                 ├──► MCP Protocol (JSON-RPC 2.0)
                 │
┌────────────────▼────────────────────────────────────┐
│              MCP Server (FastAPI)                    │
│  • 11 Databricks Tools                              │
│  • Unity Catalog Operations                         │
│  • DLT Pipeline Management                          │
│  • Lakeview Dashboard Creation                      │
│  • Databricks Apps Deployment                       │
└────────────────┬────────────────────────────────────┘
                 │
                 ├──► Databricks SDK
                 │
┌────────────────▼────────────────────────────────────┐
│           Databricks Workspace                       │
│  • Unity Catalog                                    │
│  • Delta Live Tables                                │
│  • Lakeview (AI/BI)                                 │
│  • Databricks Apps                                  │
│  • SQL Warehouses                                   │
└─────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────┐
│            Dash Web Interface                        │
│  • AI-Powered App Generator (Claude Sonnet 4.5)    │
│  • Visual Tool Interfaces                           │
│  • Chat Assistant                                   │
│  • Real-time Monitoring                             │
└─────────────────────────────────────────────────────┘

______________________________________________________________________

建筑

安装

# Install UV (recommended)
curl -LsSf https://astral.sh/uv/install.sh | sh

# Create virtual environment
python3.11 -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install dependencies
pip install -r requirements.txt

第一步：环境设置

# Configure Databricks CLI
databricks configure

# Enter your:
# - Databricks Host: https://your-workspace.cloud.databricks.com
# - Token: Your personal access token

# Test connection
python test_workspace_client.py

步骤2：Databricks配置

步骤3：光标IDE集成（可选）

~/.cursor/mcp_config.json
~/Library/Application Support/Cursor/User/settings.json

MCP服务器配置已添加至：

______________________________________________________________________

只需启动MCP服务器，Cursor AI就能访问所有工具！

用法

MCP 服务器

./mcp/start_mcp_server.sh

启动服务器

服务器运行于：http://localhost:8080

./mcp/run_mcp_client.sh

与客户端进行测试

./mcp/stop_mcp_server.sh

停止服务器

tail -f mcp/mcp_server.log

查看日志

Dash Web 界面

./mcp/start_dash_app.sh

启动Dash应用

网页界面：http://localhost:8050

特点/功能

- SQL查询执行 - 对Unity目录运行查询 - 以表格形式查看结果

导出为CSV文件

- 数据发现 - 浏览目录、模式、表 - 查看表元数据

检查表模式

- DLT管道构建器 - 可视化管道创建 - 支持多笔记本 - 无服务器计算 - 高级版特色功能

Cron 调度

- 湖景仪表板创建器 - 选择仪表板类型 - 配置数据源

部署到Databricks AI驱动的应用程序生成器

- 新增/更新 - 用自然语言描述你的应用 - 克劳德生成完整代码 - 自动部署到Databricks应用程序

包括查询日志记录和错误处理

- 聊天助手 - 自然语言接口 - MCP工具集成

实时执行

./mcp/stop_dash_app.sh

停止Dash应用

Cursor IDE 集成

设置 ./mcp/start_mcp_server.sh
启动MCP服务器：
开放光标AI聊天

开始使用Databricks工具吧！

"List all catalogs in Databricks"
"Show me tables in the main catalog"
"Create a DLT pipeline for my transformation notebooks"
"Build a sales analytics dashboard"
"Query the customers table and show top 10 results"

示例查询

配置位置配置文件 ~/.cursor/mcp_config.json
：设置 ~/Library/Application Support/Cursor/User/settings.json

______________________________________________________________________

：

基于人工智能的应用程序生成

其工作原理

   "Create a sales dashboard showing revenue by region with 
   filters for date range. Include bar charts and data table."

描述您的应用程序

- AI生成代码 - Claude Sonnet 4.5 生成可直接投入生产的代码 - 包括错误处理、日志记录、样式设计 - 使用正确的Databricks SDK API

实现响应式用户界面

   databricks sync  /Workspace/path/to/app
   databricks apps create my-app
   databricks apps deploy my-app --source-code-path /Workspace/path/to/app

自动部署

   GRANT USAGE ON CATALOG catalog_name TO app_service_principal
   GRANT USAGE ON SCHEMA schema_name TO app_service_principal
   GRANT SELECT ON SCHEMA schema_name TO app_service_principal

自动配置权限

- 应用准备就绪！ - 通过Databricks应用程序URL访问 - 查询 Unity Catalog 表

在Databricks用户界面中查看日志

生成的应用程序中包含的功能 ✅（对号，表示正确、确认或完成）

try:
    result = w.statement_execution.execute_statement(...)
    if result and result.result and result.result.data_array:
        # process data
    else:
        return "No data available"
except Exception as e:
    return f"Error: {str(e)}"

适当的错误处理 ✅

print(f"[{time.strftime('%Y-%m-%d %H:%M:%S')}] Executing query: {query}")
print(f"Query returned {len(df)} rows, {len(df.columns)} columns")

SQL查询日志记录 ✅

if result and result.manifest and result.manifest.schema and result.manifest.schema.columns:
    columns = [col.name for col in result.manifest.schema.columns]

空值检查 ✅

dbc.Table.from_dataframe(df, striped=True, bordered=True, hover=True, responsive=True)

响应式用户界面 ✅

@app.callback(Output("table", "children"), Input("refresh", "n_clicks"))
def update_table(n_clicks):
    df = query_data()
    if df.empty:
        return html.Div("No data available")
    return dbc.Table.from_dataframe(df, striped=True, bordered=True, hover=True)

正确的DataFrame显示 ✅

distribution = df['category'].value_counts().reset_index()
distribution.columns = ['category', 'count']
fig = px.pie(distribution, names='category', values='count', title='Distribution')

图表可视化

Local Temp Directory                Databricks Workspace
┌──────────────────┐               ┌────────────────────┐
│ app.py           │──databricks──▶│ /Workspace/.../app/│
│ requirements.txt │   sync        │   app.py           │
│ app.yaml         │               │   requirements.txt │
└──────────────────┘               │   app.yaml         │
                                   └────────────────────┘
                                            │
                                   databricks apps deploy
                                            │
                                            ▼
                                   ┌────────────────────┐
                                   │ Databricks Apps    │
                                   │ Running on port    │
                                   │ URL: https://...   │
                                   └────────────────────┘

______________________________________________________________________

部署架构

可用工具 `databricks_query`

1\.

在Databricks Unity Catalog上执行SQL查询。

warehouse_id 参数：
query （必填）：SQL 数据库仓库 ID
catalog （必填）：要执行的SQL查询
schema （可选）：目标目录

（可选）：目标架构

{
  "warehouse_id": "abc123",
  "query": "SELECT * FROM main.default.customers LIMIT 10",
  "catalog": "main",
  "schema": "default"
}

示例： `databricks_list_catalogs`

2\.

列出所有可用的 Unity Catalog 目录。 参数：

无返回值：

带描述的目录名称列表 `databricks_list_tables`

3\.

列出特定目录和架构中的表。

catalog 参数：
schema （必填）：目录名称

（必填）：模式名称 返回值：

包含元数据的表名列表 `databricks_describe_table`

4\.

获取表的详细架构和元数据。

catalog 参数：
schema （必填）：目录名称
table （必填）：模式名称

（必填）：表名 返回值：

列定义、类型、注释、属性 `build_ldp_pipeline`

5\.

创建一个具有高级功能的Delta Live Tables管道。

pipeline_name 参数：
notebook_paths （必填）：管道名称
target_catalog （必需）：笔记本路径的数组
target_schema （必填）：目标 Unity 目录
storage_location （必需）：目标模式
continuous （可选）：存储路径

（可选）：连续模式（默认：false）

特点：
✅ Unity Catalog 集成
✅ 无服务器计算（默认）
✅ 高级版（CDC、SCD、DQ）
✅ 光子加速
✅ 当前运行时通道

✅ 支持多笔记本

{
  "pipeline_name": "sales_etl_pipeline",
  "notebook_paths": [
    "/Workspace/Users/user@company.com/etl/bronze_layer",
    "/Workspace/Users/user@company.com/etl/silver_layer"
  ],
  "target_catalog": "main",
  "target_schema": "sales",
  "continuous": false
}

示例： `build_lakeview_dashboard`

6\.

创建湖景（AI/BI）仪表板。

dashboard_name 参数：
dashboard_type （必填）：仪表板名称
parent_path （必填）：类型（分析、成本分析、性能、血缘）
warehouse_id （必填）：工作区文件夹路径
catalog （必填）：SQL 仓库 ID
schema （可选）：目标目录

（可选）：目标架构

仪表板类型：分析（或分析学）
通用分析仪表盘成本分析
成本与使用分析演出
性能监控血统；世系

数据血缘可视化 `trigger_ldp_pipeline`

7\.

触发DLT（数据湖处理或类似流程的缩写，具体根据上下文确定）管道，并可选地设置计划。

pipeline_id 参数：
cron_schedule （必填）：管道ID

**（可选）：Cron 表达式（例如，“0 2 * * \*”）**

{
  "pipeline_id": "abc-123-def",
  "cron_schedule": "0 2 * * *"  // Daily at 2 AM
}

示例： `create_dash_app` 8.

🆕

部署一个Databricks仪表板应用程序。

app_name 参数：
source_code_path （必填）：应用程序名称
description （必填）：应用程序目录的工作区路径
warehouse_id （可选）：应用描述
catalog （可选）：SQL 数据仓库 ID
schema （可选）：默认目录

（可选）：默认模式

要求： app.py
源路径必须包含 requirements.txt可选： app.yaml

，

过程：
创建应用程序计算资源
配置SQL仓库权限
从工作区路径部署应用程序
授予Unity Catalog权限

等待应用程序激活

{
  "status": "success",
  "app": {
    "name": "my-app",
    "url": "https://workspace.cloud.databricks.com/apps/my-app",
    "service_principal": "databricks-app-my-app",
    "permissions_granted": [
      "USAGE ON CATALOG main",
      "USAGE ON SCHEMA main.sales",
      "SELECT on main.sales"
    ]
  }
}

______________________________________________________________________

返回值：

配置

# Databricks
export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
export DATABRICKS_TOKEN="your-token"

# Optional: Databricks CLI profile
export DATABRICKS_CONFIG_PROFILE="DEFAULT"

环境变量

MCP服务器配置 mcp/mcp_config.json

{
  "serverInfo": {
    "name": "databricks-mcp-server",
    "version": "2.3.0"
  },
  "capabilities": {
    "tools": {
      "count": 11,
      "categories": [
        "Data Query & Analysis",
        "Data Discovery & Catalog",
        "Data Pipeline Engineering",
        "Data Visualization & BI",
        "App Deployment & Management"
      ]
    }
  }
}

文件：

Cursor IDE 配置 ~/Library/Application Support/Cursor/User/settings.json

{
  "mcp.servers": {
    "databricks-mcp-server": {
      "command": "curl",
      "args": ["-X", "POST", "http://localhost:8080"]
    }
  },
  "mcp.configFile": "/Users/abhijit.tilak/workspace/setup_env/mcp/mcp_config.json"
}

______________________________________________________________________

文件：

部署

# Start all services
./mcp/start_all.sh

# Access interfaces
# - MCP Server: http://localhost:8080
# - Dash App: http://localhost:8050

本地开发

生产部署

FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .

EXPOSE 8080 8050

CMD ["./mcp/start_all.sh"]

选项1：Docker（推荐）

# Schedule as Databricks Job
{
  "name": "MCP Server",
  "tasks": [{
    "task_key": "mcp_server",
    "python_wheel_task": {
      "package_name": "mcp_server",
      "entry_point": "main"
    }
  }]
}

选项2：Databricks作业

Databricks 应用部署

# Deployment happens automatically via:
databricks apps create 
databricks apps deploy  --source-code-path /Workspace/path/to/app

# View your apps
databricks apps list

# Get app URL
databricks apps get

______________________________________________________________________

由AI生成的应用程序会自动部署到Databricks应用程序中：

故障排除

常见问题 1.

# Check if port 8080 is in use
lsof -i :8080

# Kill existing process
kill $(lsof -t -i:8080)

# Restart server
./mcp/start_mcp_server.sh

MCP服务器无法启动 2.

# Reconfigure Databricks CLI
databricks configure

# Test connection
python test_workspace_client.py

# Check configuration
cat ~/.databrickscfg

Databricks 认证失败 3.

AI应用生成错误 'WorkspaceClient' object has no attribute 'sql'

错误： 修复： w.statement_execution.execute_statement() 使用 w.sql.execute_statement()

不是 'NoneType' object has no attribute 'schema'

错误： 修复：

if result and result.manifest and result.manifest.schema and result.manifest.schema.columns:
    columns = [col.name for col in result.manifest.schema.columns]

添加空值检查： Error loading app spec from app.yaml

错误： 修复： app.yaml 确保

command:
  - "python"
  - "app.py"

格式正确： 4.

部署失败 - 文件未找到 can't open file '/app/python/source_code/app.py'

错误： 修复： databricks sync 使用

databricks sync /local/path /Workspace/Users/email/app-path

正确上传文件： 5.

仪表板创建失败 'NoneType' object has no attribute 'schema'

错误： 修复：

使用最新修复（包括空值检查）重新生成应用程序

调试

# MCP Server logs
tail -f mcp/mcp_server.log

# Dash App logs
tail -f mcp/dash_app.log

# Databricks App logs (in Databricks UI)
# Go to Apps → Your App → Logs tab

查看日志

# In dash_app.py
if __name__ == "__main__":
    app.run(debug=True)  # Debug mode enabled

启用调试模式

# Run client tests
./mcp/run_mcp_client.sh

# Test specific tool
curl -X POST http://localhost:8080 \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": "test-1",
    "method": "tools/list"
  }'

测试MCP工具

寻求帮助检查文件/文档
查看此README文件及链接的文档查看日志 mcp_server.log 检查 dash_app.log
和测试连接 test_workspace_client.py
跑验证配置 mcp_config.json 检查

______________________________________________________________________

以及Databricks配置

更新日志

版本2.3.0（2025年10月21日）

🚀 新功能

- 基于AI的仪表盘应用生成器 - 自然语言应用描述 → 完整生产代码 - 克劳德·莎士比亚十四行诗4.5版本集成 - 自动部署到Databricks应用程序

包含查询日志记录和错误处理

- create_dash_app Databricks 应用程序部署 - 应用程序部署工具 databricks sync 用途 databricks apps deploy 并且 - CLI（Command Line Interface） - 自动Unity目录权限

SQL 仓库资源绑定

- 增强的代码生成 - 适当的空值/None检查 - 带有时间戳的SQL查询日志记录 - 正确的Databricks SDK API - DataFrame 转换为 Dash 表格

饼状图聚合模式

🔧 改进
自动授予应用程序服务主体 SELECT 权限
增强的错误信息，包含调试提示
在Dash表格中改进DataFrame的显示
更佳的图表可视化模式

全面的查询日志记录

🐛 错误修复 'WorkspaceClient' object has no attribute 'sql'
已修复： 'NoneType' object has no attribute 'schema'
已修复：
修复：DataFrame到Dash表格显示的问题
修复：分布情况的饼图生成功能
修复：已部署应用中的身份验证冲突
已修复：Databricks 应用程序的端口配置 databricks sync

修复：保留文件扩展名功能

版本 2.2.1
修复了Lakeview仪表板API的兼容性
优化后的聊天意图解析

回调中的错误处理更完善

版本2.2.0
新增了AI聊天助手
集成了聊天界面的MCP工具

自然语言查询解析

版本2.1.0
将更新的DLT管道迁移到Unity Catalog
增加了对无服务器计算的支持

多笔记本流水线支持

版本 2.0.0
MCP协议合规性 capabilities 移除了非标准内容
终端节点 tools/list 添加

标准方法

版本 1.0.0
初次发布
10个核心Databricks工具
基于FastAPI的MCP服务器

______________________________________________________________________

Dash 网页界面

做出贡献

我们欢迎投稿！投稿方式如下：

报告问题
检查现有问题
提供详细描述
包含错误日志

分享复现步骤

提交更改
为仓库创建分支（或“克隆仓库”）
创建一个特性分支
做出你的更改
彻底测试

提交拉取请求

# Clone repository
git clone 
cd setup_env

# Install dev dependencies
pip install -r requirements.txt

# Run tests
python -m pytest

# Start dev servers
./mcp/start_all.sh

______________________________________________________________________

开发环境设置

许可证

______________________________________________________________________

致谢Databricks SDK（软件开发工具包）
为了全面访问Databricks APIFastAPI（快速API框架）
针对稳健的MCP服务器框架Plotly Dash
对于交互式网页界面Anthropic Claude（注：此处为直接音译加保留原名的形式，实际翻译时可能根据上下文调整，但“Anthropic Claude”本身是一个专有名词，通常不进行意译）
用于AI驱动的代码生成模型上下文协议

______________________________________________________________________

用于标准化工具集成

联系与支持文档
这个README文件+内联代码注释日志 mcp/mcp_server.log ： mcp/dash_app.log
并且测试工具 test_workspace_client.py ： mcp_client.py

______________________________________________________________________

并且版本\ 2.3.0最后更新时间\ 2025年10月21日状态

______________________________________________________________________

setup env

快速接入

详细介绍

Databricks MCP 服务器与 AI 驱动的仪表板应用生成器 🚀

📋 目录

概述

🎯 核心组件

✨ v2.3.0 版本中的新功能

快速入门

先决条件

安装

启动所有服务

测试设置

特点/功能

🔧 修理工具/螺丝刀（或根据上下文可译为“扳手”等具体工具） 11 个 Databricks 工具

🆕 | 部署Databricks应用程序 | 应用程序部署 | 🤖 表示机器人或机器人形象的符号。

AI赋能功能

1. 自然语言应用生成

实施最佳实践

基于时间的流水线触发器 📊（表格）

Unity Catalog 元数据查询 📦 表示“包裹”或“箱子”。

+

建筑

安装

第一步：环境设置

步骤2：Databricks配置

只需启动MCP服务器，Cursor AI就能访问所有工具！

用法

MCP 服务器

服务器运行于：http://localhost:8080

与客户端进行测试

停止服务器

查看日志

Dash Web 界面

网页界面：http://localhost:8050

实时执行

停止Dash应用

Cursor IDE 集成

开始使用Databricks工具吧！

示例查询

：

基于人工智能的应用程序生成

在Databricks用户界面中查看日志

图表可视化

部署架构

可用工具 databricks_query

示例： databricks_list_catalogs

带描述的目录名称列表 databricks_list_tables

包含元数据的表名列表 databricks_describe_table

列定义、类型、注释、属性 build_ldp_pipeline

示例： build_lakeview_dashboard

数据血缘可视化 trigger_ldp_pipeline

示例： create_dash_app 8.

返回值：

配置

环境变量

文件：

文件：

部署

本地开发

生产部署

选项1：Docker（推荐）

选项2：Databricks作业

由AI生成的应用程序会自动部署到Databricks应用程序中：

故障排除

常见问题 1.

MCP服务器无法启动 2.

Databricks 认证失败 3.

格式正确： 4.

正确上传文件： 5.

使用最新修复（包括空值检查）重新生成应用程序

调试

查看日志

启用调试模式

测试MCP工具

以及Databricks配置

更新日志

版本2.3.0（2025年10月21日）

饼状图聚合模式

全面的查询日志记录

可用工具 `databricks_query`

示例： `databricks_list_catalogs`

带描述的目录名称列表 `databricks_list_tables`

包含元数据的表名列表 `databricks_describe_table`

列定义、类型、注释、属性 `build_ldp_pipeline`

示例： `build_lakeview_dashboard`

数据血缘可视化 `trigger_ldp_pipeline`

示例： `create_dash_app` 8.