Databricks SQL

info

Aperçu

Cette fonctionnalité est en Aperçu public.

Le serveur MCP Databricks SQL est un serveur MCP géré par Databricks qui permet aux agents d’exécuter du SQL généré par l’IA sur vos tables Unity Catalog pour lire et écrire des données, avec un accès régi par les autorisations Unity Catalog. Utilisez-le pour créer des pipelines de données à partir d’outils de codage IA. Les query s’exécutent de manière asynchrone : l’agent appelle l’outil pour start une query, puis interroge le système jusqu’à ce que la réponse soit complète.

Modèle d'URL	Champ d’application d’OAuth
https://<workspace-hostname>/api/2.0/mcp/sql	sql

Modèle d'URL	Champ d’application d’OAuth
https://<workspace-hostname>/api/2.0/mcp/sql	sql

_meta parameter

_meta Les paramètres sont des valeurs de configuration que vous prédéfinissez dans le code de votre agent pour définir le comportement du serveur MCP de manière déterministe, plutôt que de laisser le LLM les générer dynamiquement au moment de l’appel d’outil. Le serveur MCP Databricks SQL prend en charge le parameter _meta suivant :

Nom du parameter	Type	Description
warehouse_id	str	L’ID du SQL Warehouse à utiliser pour l’exécution des queries. Exemple : "a1b2c3d4e5f67890" S’il n’est pas spécifié, le système sélectionne automatiquement un warehouse en fonction des ressources et des autorisations.

Nom du parameter	Type	Description
warehouse_id	str	L’ID du SQL Warehouse à utiliser pour l’exécution des queries. Exemple : "a1b2c3d4e5f67890" S’il n’est pas spécifié, le système sélectionne automatiquement un warehouse en fonction des ressources et des autorisations.

Exemple : spécifier un SQL warehouse pour les requêtes Databricks SQL

Cet exemple montre comment utiliser le parameter warehouse_id _meta pour spécifier quel SQL Warehouse exécute les queries depuis le serveur Databricks SQL MCP à l’aide du SDK MCP Python officiel. [[ ## completed ##]]

Dans ce scénario, vous souhaitez :

• Utilisez un SQL Warehouse spécifique pour l'exécution de la query au lieu de laisser le système en sélectionner un automatiquement
• Vérifiez la cohérence des performances en routant les query vers un warehouse dédié

Pour exécuter cet exemple, configurez votre environnement Python pour le développement MCP géré:

Pour trouver votre ID de SQL Warehouse, consultez Connect to a SQL warehouse.

Python

# 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
                    &quot;name&quot;: &quot;execute_sql&quot;,

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

                    # Meta parameters - specify which warehouse to use
                    &quot;_meta&quot;: {
                        &quot;warehouse_id&quot;: &quot;a1b2c3d4e5f67890&quot;  # 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())