Hospede servidores MCP personalizados utilizando aplicativos Databricks.

info

Beta

Este recurso está em fase beta.

Hospede seus próprios servidores MCP personalizados ou de terceiros como aplicativos Databricks. Os servidores MCP personalizados são úteis se você já possui um servidor MCP que deseja implantar ou se deseja executar um servidor MCP de terceiros como fonte de ferramentas.

Requisitos

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

Hospede um servidor MCP como um aplicativo Databricks

Consulte o repositório personalizado do servidor MCP para obter um exemplo de como escrever seu próprio servidor MCP e implantá-lo como um aplicativo Databricks.

Para hospedar um servidor Python MCP existente como um aplicativo Databricks, siga estas etapas:

Configure seu ambiente

1. Utilize OAuth para autenticar-se em workspace. Execute o seguinte em um terminal local:

   Bash

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

Configurar o servidor MCP

1. Adicione um arquivo “ requirements.txt ” ao diretório raiz do seu servidor e especifique as dependências Python para o seu servidor.

   Python Os servidores MCP frequentemente utilizam o uv para gerenciamento de pacotes. Se você usar uv, adicione uv e ele lidará com a instalação de dependências adicionais.

2. Adicione um app.yaml especificando o comando CLI para executar o seu servidor.

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

   Exemplo app.yaml:

   YAML

   command: [
       'uv',
       'run',
       'your-server-name',
       ..., # optionally include additional parameters here
     ]

Faça o upload do servidor MCP como um aplicativo Databricks

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

   Bash

   databricks apps create mcp-my-custom-server

2. Envie o código-fonte para Databricks e implante o aplicativo executando o seguinte comando a partir do 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-custom-server"
   databricks apps deploy mcp-my-custom-server --source-code-path "/Workspace/Users/$DATABRICKS_USERNAME/mcp-my-custom-server"

Conecte-se ao servidor MCP personalizado

Clique na guia para ver como se conectar a um servidor MCP a partir de vários ambientes.

Local environment

Utilize OAuth para autenticar-se em workspace. Execute o seguinte em um terminal local:

Bash

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

Utilize o perfil autenticado da etapa anterior para acessar o aplicativo Databricks hospedado:

Python

from databricks_mcp import DatabricksOAuthClientProvider
from databricks.sdk import WorkspaceClient
from mcp.client.session import ClientSession
from mcp.client.streamable_http import streamablehttp_client

databricks_cli_profile = "DEFAULT"
workspace_client = WorkspaceClient(profile=databricks_cli_profile)

# Replace with your actual custom MCP server URL
mcp_server_url = "https://<workspace-hostname>/serving-endpoints/mcp-my-custom-server/invocations"

async def test_connection_to_server():
   async with streamablehttp_client(
      f"{mcp_server_url}", auth=DatabricksOAuthClientProvider(workspace_client)
   ) as (read_stream, write_stream, _), ClientSession(
      read_stream, write_stream
   ) as session:
      # List available tools
      tools = await session.list_tools()
      print(f"Available tools: {[tool.name for tool in tools.tools]}")

Notebook: service principal

Utilize uma entidade de serviço para acessar o aplicativo hospedado Databricks em um Notebook do Databricks.

Python

import json
from databricks.sdk import WorkspaceClient
from databricks_mcp import DatabricksOAuthClientProvider
from databricks.sdk.credentials_provider import ModelServingUserCredentials
from mcp.client.streamable_http import streamablehttp_client as connect
from mcp import ClientSession

async def main():
    app_url = "https://mcp-server.databricksapps.com/mcp"
    client = WorkspaceClient(
      host="https://workspace_url",
      client_id="client_id",
      client_secret="client_secret"
    )

    async with connect(app_url, auth=DatabricksOAuthClientProvider(client)) as (
        read_stream,
        write_stream,
        _,
    ):
        async with ClientSession(read_stream, write_stream) as session:
            await session.initialize()
            tools = await session.list_tools()
            print(f"Available tools: {[tool.name for tool in tools.tools]}")

await main()

Agent code: on-behalf of user

Configure em nome da autenticação do usuário. Consulte implantado um agente utilizando autenticação em nome do usuário.

Habilite o acesso em nome de terceiros usando ModelServingUserCredentials para acessar o aplicativo Databricks hospedado a partir do agente:

Python

import json
from databricks.sdk import WorkspaceClient
from databricks_mcp import DatabricksOAuthClientProvider
from databricks.sdk.credentials_provider import ModelServingUserCredentials
from mcp.client.streamable_http import streamablehttp_client as connect
from mcp import ClientSession

async def main():
    app_url = "https://mcp-server.databricksapps.com/mcp"
    client = WorkspaceClient(credentials_strategy = ModelServingUserCredentials())

    async with connect(app_url, auth=DatabricksOAuthClientProvider(client)) as (
        read_stream,
        write_stream,
        _,
    ):
        async with ClientSession(read_stream, write_stream) as session:
            await session.initialize()
            tools = await session.list_tools()
            print(f"Available tools: {[tool.name for tool in tools.tools]}")

await main()

Registre o modelo do agente utilizando o escopo " apps.apps ". Consulte Autenticação em nome do usuário.

Agent code: service principal

Habilite a autenticação do sistema usando entidade de serviço para acessar o aplicativo hospedado Databricks a partir do agente:

Python

import json
from databricks.sdk import WorkspaceClient
from databricks_mcp import DatabricksOAuthClientProvider
from mcp.client.streamable_http import streamablehttp_client as connect
from mcp import ClientSession

async def main():
    app_url = "https://mcp-server.databricksapps.com/mcp"
    client = WorkspaceClient()

    async with connect(app_url, auth=DatabricksOAuthClientProvider(client)) as (
        read_stream,
        write_stream,
        _,
    ):
        async with ClientSession(read_stream, write_stream) as session:
            await session.initialize()
            tools = await session.list_tools()
            print(f"Available tools: {[tool.name for tool in tools.tools]}")

await main()

Registre o modelo do agente utilizando DatabricksApps como recurso. Consulte Especificar recurso para passagem automática de autenticação (autenticação do sistema).

implantado um agente

O Notebook a seguir demonstra como criar agentes LangGraph e OpenAI que chamam ferramentas MCP.

Agente de chamada de ferramentas LangGraph MCP

Open notebook in new tab

Agente de chamada de ferramentas OpenAI MCP

Open notebook in new tab