Databricks über MCP mit ChatGPT verbinden

💡 Keine Installation? Nutze cloud.anythingmcp.com direkt. Einloggen, Connectors → Databricks klicken, Zugangsdaten einfügen, MCP-API-Key erzeugen, fertig. Kein Docker, kein git clone, kein lokaler Server.

Databricks + ChatGPT

Lass deine KI mit deinem Databricks-Workspace arbeiten: SQL auf einem Warehouse ausführen, Kataloge, Schemas und Tabellen in Unity Catalog erkunden, Cluster, Warehouses, Jobs und Runs prüfen, Notebooks lesen und nach deiner Bestätigung Compute starten oder stoppen oder Jobs auslösen. Mit einem Personal Access Token.

Voraussetzungen

Die vollständige Setup-Anleitung ist in den Connector eingebaut (im Store sichtbar, wenn du den Connector auswählst). Benötigte Umgebungsvariablen für diesen Connector:

DATABRICKS_HOST, DATABRICKS_TOKEN

Schritt 1 — Zugangsdaten holen

1. Öffne deinen Databricks-Workspace und kopiere den Host aus der Adresszeile in DATABRICKS_HOST, ohne https://, zum Beispiel dbc-a1b2c3d4-e5f6.cloud.databricks.com (AWS), adb-1234567890123456.7.azuredatabricks.net (Azure) oder 1234567890123456.7.gcp.databricks.com (Google Cloud).
2. Klicke oben rechts auf deinen Benutzernamen, dann auf Settings → Developer → Access tokens → Manage → Generate new token. Gib dem Token einen Kommentar und eine Laufzeit und kopiere es in DATABRICKS_TOKEN: Databricks zeigt es nur einmal an. Dein Workspace-Admin muss Personal Access Tokens erlauben.
3. Für minimale Rechte erstellst du das Token für einen Service Principal, der nur die Berechtigungen hat, die die KI braucht: USE CATALOG, USE SCHEMA und SELECT auf die Daten sowie CAN USE auf ein SQL Warehouse. Der Connector handelt mit den Rechten des Token-Benutzers.
4. Installiere den Connector und führe databricks_get_current_user aus, um zu sehen, als wer die KI handelt.

Compute kostet Geld, deshalb fragt die KI vorher: Databricks rechnet Compute in DBUs ab. Eine Abfrage auf einem gestoppten SQL Warehouse startet es automatisch, und ein laufendes Warehouse oder ein laufender Cluster kostet Geld, bis er von selbst stoppt. Bevor die KI SQL ausführt, prüft sie das Warehouse mit databricks_list_warehouses; läuft es nicht, sagt sie dir, dass die Abfrage es startet und wie groß es ist, und wartet auf dein Ja. Ein Serverless Warehouse startet in Sekunden.

SQL auf einem Warehouse: databricks_execute_sql führt eine Anweisung aus und liefert standardmäßig bis zu 200 Zeilen (höchstens 10.000). Bei allem, was Daten, Tabellen oder Berechtigungen ändert (INSERT, UPDATE, DELETE, MERGE, CREATE, ALTER, DROP, GRANT), zeigt dir die KI die genaue Anweisung und wartet auf ein ausdrückliches Ja; was überhaupt erlaubt ist, entscheiden die Unity-Catalog-Berechtigungen des Tokens. Lange Anweisungen laufen im Hintergrund weiter: databricks_get_statement verfolgt sie, und databricks_get_statement_chunk holt weitere Zeilen.

Unity Catalog: databricks_list_catalogs, databricks_list_schemas, databricks_list_tables und databricks_get_table zeigen Kataloge, Schemas, Tabellen, Views und ihre Spalten, damit die KI SQL mit den richtigen Namen schreibt.

Auch jede andere Änderung fragt vorher: databricks_start_cluster, databricks_terminate_cluster, databricks_start_warehouse, databricks_stop_warehouse, databricks_run_job, databricks_cancel_job_run und databricks_cancel_statement. Wenn ein Cluster beendet oder ein Warehouse gestoppt wird, enden die Abfragen und Notebooks, die darauf laufen. Dieser Connector löscht nichts.

Jobs: databricks_list_jobs und databricks_get_job zeigen Jobs, Zeitpläne, Parameter und Tasks; databricks_run_job startet sofort einen Run; databricks_list_job_runs, databricks_get_job_run und databricks_get_run_output zeigen Runs, den Status der Tasks, Fehler und die Ausgabe von Notebooks (60 Tage lang gespeichert).

Notebooks und Dateien: databricks_list_workspace durchsucht Ordner und Notebooks, databricks_export_notebook liefert den Quellcode eines kleinen Notebooks, databricks_list_volume_files listet ein Volume in Unity Catalog auf und databricks_list_dbfs alte DBFS-Pfade. Spark-Konfiguration, Umgebungsvariablen und Init-Skripte von Clustern bleiben außen vor, weil sie Geheimnisse enthalten können.

Häufige Fehler: 401 oder 403 Invalid access token: Das Token ist falsch, abgelaufen oder widerrufen, oder DATABRICKS_HOST zeigt auf einen anderen Workspace. 403 PERMISSION_DENIED: Dem Benutzer fehlt eine Berechtigung, etwa USE CATALOG, SELECT, CAN USE auf das Warehouse oder CAN MANAGE RUN auf den Job. 404 RESOURCE_DOES_NOT_EXIST: falsche ID oder falscher Name, oder Unity Catalog ist für den Workspace nicht aktiviert. 429: zu viele Anfragen; warte kurz und versuche es erneut.

Der Connector legt keine Cluster, Warehouses, Jobs, Tabellen oder Dateien an, ändert oder löscht sie nicht, lädt keine Dateien hoch und deckt Delta-Live-Tables-Pipelines, MLflow, Model Serving, Genie und Vector Search nicht ab.

Schritt 2 — Adapter installieren

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Schritt 3 — Connector in ChatGPT hinzufügen

Deine Server-URL: Öffne in AnythingMCP MCP Servers → den Server, auf dem dieser Connector liegt, und kopiere seine URL (https://cloud.anythingmcp.com/mcp/…). Setze sie überall ein, wo diese Anleitung YOUR_SERVER_ID zeigt.

ChatGPT fügt MCP-Server als Plugins auf seiner Seite Plugins hinzu, im Web und in den kostenpflichtigen Tarifen. Den Entwicklermodus brauchst du dafür nicht mehr. In einem Business-Workspace dürfen das nur Admins und Owner; in Enterprise und Edu kann ein Admin die Berechtigung Create plugins with MCPs vergeben.

1. Geh zu chatgpt.com/plugins, klicke auf + und dann auf Add custom MCP server.
2. Gib einen Namen ein, z. B. Name: Databricks.
3. Trag unter Connection als Server URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID ein und lass Authentication auf OAuth.
4. Wähle I understand and want to continue und dann Create as a plugin. Wenn ChatGPT danach fragt, meldest du dich bei AnythingMCP an und erlaubst den Zugriff.
5. Installiere das neue Plugin unter deinen persönlichen Plugins, tippe dann in einem Chat @ und wähle es aus.

Verfügbare Tools

Beispiel-Prompts

• „Welche SQL Warehouses haben wir, und welche laufen gerade?“
• „Zeig mir die Tabellen in main.sales und die Spalten der Tabelle orders.“
• „Wie hoch war unser Umsatz nach Land im letzten Monat? Nimm das Serverless Warehouse und sag mir vorher, ob es gestartet werden muss.“
• „Ist der Job nightly_etl heute Nacht erfolgreich gelaufen? Falls ein Task fehlgeschlagen ist, zeig mir den Fehler.“
• „Starte jetzt den Job weekly_report, nachdem du mir gesagt hast, was er tut und welchen Cluster er nutzt.“

FAQ

Funktioniert der kostenlose ChatGPT-Tarif mit eigenen MCP-Servern? OpenAI dokumentiert eigene MCP-Server nur für kostenpflichtige Tarife; den Free-Tarif führt OpenAI nicht auf.

Nächste Schritte

• Connector-Startseite
• Mit Claude verbinden
• Mit Cursor verbinden
• Mit Gemini verbinden
• Mit Meta Muse verbinden