Installation überspringen. In unter 2 Minuten einsatzbereit.
Starte eine kostenlose Testphase auf cloud.anythingmcp.com, füge Databricks mit einem Klick hinzu und richte deinen KI-Client (Claude, ChatGPT, Copilot oder Cursor) auf den erzeugten MCP-Endpoint. Kein Docker, kein git clone, keinerlei Entwicklungserfahrung nötig.
Zusammenfassung
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.
Frag einfach
Beispiel-Prompts für Databricks
Klick auf einen Prompt, um ihn zu kopieren. In Claude, ChatGPT, Cursor, Gemini, Copilot oder OpenClaw einfügen — und gegen diesen Connector laufen lassen.
Claude ist KI und kann Fehler machen. Bitte Antworten gegenprüfen.
💡 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
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.
Einrichtung
- Öffne deinen Databricks-Workspace und kopiere den Host aus der Adresszeile in
DATABRICKS_HOST, ohnehttps://, zum Beispieldbc-a1b2c3d4-e5f6.cloud.databricks.com(AWS),adb-1234567890123456.7.azuredatabricks.net(Azure) oder1234567890123456.7.gcp.databricks.com(Google Cloud). - 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. - 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.
- Installiere den Connector und führe
databricks_get_current_useraus, 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.
Voraussetzungen: DATABRICKS_HOST, DATABRICKS_TOKEN
Connector lokal 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
Öffne http://localhost:3000/connectors/store, wähle Databricks und trage die unter Voraussetzungen aufgelisteten Variablen ein.
Verfügbare Tools
| Tool | What it does |
|---|---|
databricks_get_current_user | Get the Databricks user or service principal behind the token: user name, display name, id, active flag, groups and entitlements |
databricks_list_clusters | List the workspace's clusters (all-purpose and job clusters) with id, name, state, Spark version, node types, size or autoscale range… |
databricks_get_cluster | Get one cluster's state and configuration: Spark version, node types, workers or autoscale range, auto-termination, access mode, memory and… |
databricks_start_cluster | Start a terminated cluster |
databricks_terminate_cluster | Terminate (stop) a running cluster |
databricks_list_warehouses | List the SQL warehouses with id, name, state (RUNNING, STOPPED, STARTING), size, type, serverless flag, cluster counts, active sessions and… |
databricks_get_warehouse | Get one SQL warehouse: state, size, type, serverless flag, scaling range, active sessions, auto-stop minutes, health and its JDBC/ODBC… |
databricks_start_warehouse | Start a stopped SQL warehouse |
databricks_stop_warehouse | Stop a running SQL warehouse |
databricks_execute_sql | Run one SQL statement on a SQL warehouse and return columns and up to row_limit rows (default 200) |
databricks_get_statement | Get the state and result of a SQL statement started with databricks_execute_sql: status (PENDING, RUNNING, SUCCEEDED, FAILED, CANCELED)… |
databricks_get_statement_chunk | Get a further chunk of rows of a finished SQL statement, by chunk index (next_chunk_index of the previous answer) |
databricks_cancel_statement | Cancel a running SQL statement |
databricks_list_jobs | List the workspace's jobs with id, name, creator, schedule and creation time |
databricks_get_job | Get one job: name, description, run-as user, schedule or trigger, job parameters, concurrency, timeout and its tasks (key, dependencies… |
databricks_run_job | Trigger a run of an existing job now |
databricks_list_job_runs | List job runs, newest first, with run id, job id, state, start and end time, duration and a link to the run page |
databricks_get_job_run | Get one job run: state and result, times, trigger, parameters and each task's run_id, state and run page link |
databricks_get_run_output | Get the output of one task run: notebook exit value, SQL output, error message and trace, and logs |
databricks_cancel_job_run | Cancel a job run (asynchronously) |
databricks_list_catalogs | List the Unity Catalog catalogs the user can see, with name, type, owner and comment |
databricks_list_schemas | List the schemas of a Unity Catalog catalog with full name, owner and comment |
databricks_list_tables | List the tables and views of a Unity Catalog schema with full name, type (MANAGED, EXTERNAL, VIEW, MATERIALIZED_VIEW), format, owner and… |
databricks_get_table | Get a Unity Catalog table or view by full name: columns with types, nullability, comments and partitioning, table type, format, owner… |
databricks_list_workspace | List the contents of a workspace folder: notebooks (with language), files, folders, repos and libraries, with path, object id and… |
databricks_export_notebook | Get the source code of one notebook or workspace file as text (Python, SQL, Scala or R source) |
databricks_list_volume_files | List the files and folders in a Unity Catalog volume directory, with name, size and modification time |
databricks_list_dbfs | List a legacy DBFS directory (path, size, folder flag, modification time) |
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.“
Nächste Schritte
War dieser Guide hilfreich?
