Pular para o conteúdo principal
Última atualização em

Hospede seu próprio servidor MCP

Hospede servidores MCP personalizados ou de terceiros como aplicativos Databricks. Servidores MCP personalizados são úteis se você já tiver um servidor MCP que deseja ver implantado ou se você quiser a execução de um servidor MCP de terceiros como uma fonte de ferramentas.

O acesso a servidores MCP personalizados é controlado por meio das permissões do Databricks Apps. Para monitorar a atividade de MCP personalizada junto com seus outros servidores MCP e endpoint de LLM, use Unity AI Gateway.

Para usar um servidor MCP personalizado hospedado no código do agente, consulte Usar servidores MCP em agentes.

Requisitos​

  • Um servidor MCP hospedado como um aplicativo Databricks deve implementar um transporte compatível com HTTP, como o transporte HTTP streamable.

Crie ou implante um servidor MCP personalizado​

Selecione a opção que corresponda ao seu ponto de partida:

Ícone de novo arquivo. Começar com um padrão : crie um novo servidor MCP a partir do padrão Hello World integrada

Crie um servidor MCP personalizado a partir do padrão de aplicativos​

Use o template integrado do servidor MCP Hello World para criar um servidor MCP implantado com ferramentas de exemplo já incluídas:

  1. Na barra lateral, clique em Compute .

  2. Clique na tab **Aplicativos**.

  3. Clique em Criar aplicativo .

  4. Na categoria **Agentes**, selecione o padrão **Servidor MCP - Hello World**.

  5. Insira um nome de aplicativo começando com mcp- (por exemplo, mcp-hello-world).

nota

O nome do aplicativo deve começar com mcp- para ser reconhecido como um servidor MCP no AI Playground.

  1. Clique em Criar aplicativo .

A Databricks mantém o aplicativo implantado com código de exemplo que pode ser personalizado.

O padrão inclui duas ferramentas de exemplo para ajudá-lo a começar:

  • health() ** **: Uma ferramenta de diagnóstico que confirma que o servidor está operacional e retorna informação de status.
  • get_current_user() : Uma ferramenta que recupera as informações do usuário atual usando o SDK do Databricks, demonstrando como integrar a autenticação do workspace.

Adicionar uma ferramenta personalizada​

Para adicionar sua própria ferramenta, abra o código-fonte do aplicativo e defina uma nova função usando o decorador @mcp.tool(). Por exemplo, a ferramenta a seguir converte uma strings para maiúsculas:

Python
@mcp.tool()
def uppercase(text: str) -> str:
    """Convert a string to uppercase."""
    return text.upper()

Cada ferramenta deve incluir uma docstring. Os agentes de AI usam a docstring para entender quando chamar a ferramenta. Depois de adicionar uma ferramenta, reimplemente o aplicativo para torná-lo disponível.

Consulte Criar um aplicativo a partir de um padrão para obter mais detalhes sobre como trabalhar com padrões de aplicativos, ou consulte o código-fonte do padrão no GitHub.

Ícone de upload de cloud. Implantado um servidor existente : hospede um servidor MCP que você já tenha como um aplicativo Databricks

Hospedar um servidor MCP existente como um aplicativo Databricks​

Para hospedar um servidor MCP Python existente como um aplicativo Databricks, siga os seguintes passos:

Configure seu ambiente​

Antes de implantar seu servidor MCP, autentique-se em seu workspace usando OAuth.

  1. Execute o seguinte em um terminal local:

    Bash
    databricks auth login --host https://<your-workspace-hostname>

Configure o servidor MCP​

Use uv para gerenciamento de dependências e ferramentas unificadas ao ter seu servidor MCP implantado.

  1. Adicione um requirements.txt ao diretório raiz do servidor MCP e inclua uv como uma dependência.

    uv lida com a instalação de dependências adicionais definidas na configuração do seu projeto.

    Txt
    uv

  2. Crie um arquivo pyproject.toml que define um ponto de entrada de script para seu servidor.

    Exemplo pyproject.toml:

    Toml
    [project.scripts]
    custom-server = "server.main:main"

    Neste exemplo:

    • custom-server é o nome do script que você usa com uv run
    • server.main:main especifica o caminho do módulo (server/main.py) e a função (main) para execução

  3. Adicione um arquivo app.yaml especificando o comando da CLI para a execução do servidor MCP usando uv run.

    Por default, os aplicativos Databricks escutam na porta 8000. Se o servidor ouvir em uma porta diferente, defina-o usando uma substituição de variável de ambiente no arquivo app.yaml.

    Exemplo app.yaml:

    YAML
    command: [
        'uv',
        'run',
        'custom-server', # This must match a script defined in pyproject.toml
      ]

Ao realizar a execução de uv run custom-server, uv pesquisa a definição do script, encontra o caminho do módulo e chama a função main().

O servidor MCP implantado como um aplicativo Databricks​

  1. Crie um aplicativo Databricks para hospedar o servidor MCP:

    Bash
    databricks apps create mcp-my-server
nota

Prefixe o nome do seu aplicativo com mcp- para identificá-lo claramente como um servidor MCP. Esta convenção de nomenclatura ajuda na descoberta e organização no seu workspace.

  1. Faça o upload do código-fonte para o Databricks e implante o aplicativo executando os seguintes comandos no diretório que contém o seu arquivo app.yaml:

    Bash
    DATABRICKS_USERNAME=$(databricks current-user me | jq -r .userName)
    databricks sync . "/Users/$DATABRICKS_USERNAME/mcp-my-server"
    databricks apps deploy mcp-my-server --source-code-path "/Workspace/Users/$DATABRICKS_USERNAME/mcp-my-server"

Encontre a URL do seu aplicativo implantado​

Após a implantação, você pode encontrar a URL do seu aplicativo na interface do usuário do Databricks. O endpoint do servidor MCP está disponível em https://<app-url>/mcp.

Recursos adicionais​

Nesta página