Готовый к производству сервер Model Context Protocol (MCP), который предоставляет возможности Databricks REST для MCP-совместимых агентов и инструментов. В версии 0.4.4 представлены структурированные ответы, кэширование ресурсов, повторное использование сетей и комплексное повышение устойчивости.

Таблица содержимого

1.Ключевые способности 2.Архитектура Основные моменты 3.Установка 4. Конфигурация 5. Запуск сервера 6. Интеграция с клиентами MCP 7. Работа с инструментальными ответами 8. Доступные инструменты 9.Рабочий процесс развития 10. Испытание 11. Издательские корпуса 12.Поддержка и контакт 13. Лицензия.

Ключевые возможности

** Структурированные MCP-ответы** - Каждый инструмент возвращает CallToolResult с читаемым человеком резюме в content и машиночитаемым полезными нагрузками в structuredContent, которые соответствуют инструменту outputSchema.

• Ресурсное кэширование - Большой экспорт ноутбуков/рабочих пространств кэшируется один раз и возвращается в виде блоков контента с URI, таких как resource://databricks/exports/{id} (также отражается в метаданных для удобства). Progress & Metrics - Долгосрочные действия транслируют уведомления о прогрессе MCP и отслеживают показатели успеха/ошибки/тайм-аута/отмены инструмента.

Databricks MCP Server

A production-ready Model Context Protocol (MCP) server that exposes Databricks REST capabilities to MCP-compatible agents and tooling. Version 0.4.4 introduces structured responses, resource caching, retry-aware networking, and end-to-end resilience improvements.

---

Table of Contents

1. Key Capabilities
2. Architecture Highlights
3. Installation
4. Configuration
5. Running the Server
6. Integrating with MCP Clients
7. Working with Tool Responses
8. Available Tools
9. Development Workflow
10. Testing
11. Publishing Builds
12. Support & Contact
13. License

---

Key Capabilities

• Structured MCP Responses - Each tool returns a CallToolResult with a human-readable summary in content and machine-readable payloads in structuredContent that conform to the tool’s outputSchema.
• Resource Caching - Large notebook/workspace exports are cached once and returned as resource_link content blocks with URIs such as resource://databricks/exports/{id} (also reflected in metadata for convenience).
• Progress & Metrics - Long-running actions stream MCP progress notifications and track per-tool success/error/timeout/cancel metrics.
• Resilient Networking - Shared HTTP client injects request IDs, enforces timeouts, and retries retryable Databricks responses (408/429/5xx) with exponential backoff.
• Async Runtime - Built on mcp.server.FastMCP with centralized JSON logging and concurrency guards for predictable stdio behaviour.

Architecture Highlights

• databricks_mcp/server/databricks_mcp_server.py - FastMCP server with tool registration, progress handling, metrics, and resource caching.
• databricks_mcp/core/utils.py - HTTP utilities with correlation IDs, retries, and error mapping to DatabricksAPIError.
• databricks_mcp/core/logging_utils.py - JSON logging configuration for stderr/file outputs.
• databricks_mcp/core/models.py - Pydantic models (e.g., ClusterConfig) used by tool schemas.
• Tests under tests/ mock Databricks APIs to validate orchestration, structured responses, and schema metadata without shell scripts.

For an in-depth tour of data flow and design decisions, see ARCHITECTURE.md.

Installation

Prerequisites

• Python 3.10+
• uv for dependency management and publishing

Quick Install (recommended)

Register the server with Cursor using the deeplink below - it resolves to uvx databricks-mcp-server@latest and picks up future updates automatically.