Databricks SQL
プレビュー
この機能は パブリック プレビュー段階です。
Databricks SQL MCPサーバーは、Databricks マネージドMCPサーバーであり、エージェントがUnity Catalogテーブルに対してAI生成のSQLを実行してデータの読み取りと書き込みを行うことを可能にします。アクセスはUnity Catalogの権限によって管理されます。クエリーは非同期で実行されます。エージェントがツールを呼び出してクエリーを起動し、応答が完了するまでポーリングを行います。
このサーバーは、開発およびデータエンジニアリングに使用します。ユーザーやコーディングエージェントが作成した特定のクエリーの実行、スキーマの検査、SQL構文の検証、AIコーディングツールからのデータパイプラインの作成などを行います。これにより、実行される正確なSQLを確定的に制御できます。
URL パターン | OAuthスコープ |
|---|---|
|
|
Genie One MCPサーバーとDatabricks SQL MCPサーバーの比較
ユーザーが自然言語でビジネス上の質問をするアナリティクスのユースケースでは、代わりにGenie One MCPサーバーを使用してください。Genieは、管理されたセマンティックレイヤーであるGenieオントロジーを通じてビジネス用語を解決するため、生のテーブルに対して直接SQLを記述するエージェントよりも正確な回答を生成します。
構文の検証やパイプラインの作成など、既に作成済みの特定のクエリーを実行する必要がある場合は、Databricks SQL MCPサーバーを使用します。
_metaパラメーター
_meta パラメーターとは、ツール呼び出し時に LLM が動的に生成するのではなく、MCP サーバーの動作を決定論的に設定するためにエージェントコード内で事前設定する構成値のことです。Databricks SQL MCP サーバーでは、次の_metaパラメーターがサポートされています。
パラメーター名 | Type | 説明 |
|---|---|---|
|
| クエリーの実行に使用するSQLウェアハウスのID。 例： 指定されていない場合、システムはリソースとアクセス許可に基づいてwarehouseを自動的に選択します。 |
例：Databricks SQLクエリー用のSQL Warehouseを指定する
この例では、warehouse_id _metaパラメーターを使用して、公式の Python MCP SDK を使用して Databricks SQL MCP サーバーからクエリーを実行する SQL Warehouse を指定する方法を示します。
このシナリオでは、次のことを行います：
- システムによる自動選択ではなく、クエリー実行用に特定のSQLウェアハウスを使用します
- クエリーを専用のwarehouseにルーティングして、一貫したパフォーマンスを確認する
この例をランするには、マネージド MCP 開発用に Python 環境をセットアップしてください：
SQLウェアハウス ID を確認するには、「SQLウェアハウスへの接続」を参照してください。
# 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())
制限事項
- セマンティックコンテキストがありません。 サーバーは、与えられたSQLを実行します。ビジネス用語、メトリクス定義、テーブル関係を解決しないため、エージェントはスキーマのみからそれらを推論する必要があります。自然言語でアナリティクスの質問をする場合は、Genie One MCPサーバーを使用してください。これにより、Genie Ontologyに基づいて回答が生成されます。
- 結果サイズ。 サーバーは、モデルのコンテキストウィンドウの枯渇を防ぐため、ツール応答内の大きな結果セットを切り捨てます。結果を制限内に収めるには、返す行数と列数を減らすか、SQLで集計を行ってください。
- 非同期実行。 クエリーは同期的に返されません。エージェントがクエリーを起動し、完了するまでポーリングを行うため、進行中の状態を処理する必要があります。