Użyj narzędzi MCP w agencie Python

Połącz się z serwerem MCP, odkryj jego narzędzia i uruchom agenta Python, który je używa. Użyj adresu URL z MCP dostarczonego przez Databricks, swojego zarejestrowanego MCP lub serwera w Databricks Apps.

Aby korzystać z MCP z Claude Code, Codex lub innego agenta programistycznego, wybierz klienta w Obsługiwani agenci programistyczni. W przypadku innych asystentów i klientów MCP zobacz Pozostali klienci MCP.

W projekcie CLI Agent Bricks dodaj narzędzia MCP z CLI. Poniższe przykłady pokazują, jak połączyć się z poziomu własnego kodu Python.

Warunki wstępne

  • Python 3.12 na komputerze.
  • Twój adres MCP Twojego serwera. Jeśli ktoś udostępnił Ci MCP, musi przyznać Ci dostęp. Dokończ logowanie do dostawcy, jeśli używa on OAuth na użytkownika. Aby uzyskać dostęp do serwera w Databricks Apps, potrzebujesz uprawnienia CAN USE do aplikacji.
  • Dostęp do punktu końcowego modelu Azure Databricks który obsługuje wywoływanie narzędzi. W przykładzie użyto metody databricks-claude-sonnet-4-5. Zastąp go punktem końcowym dostępnym w Twoim workspace.

Aby używać system.ai.dbsql, system.ai.sandbox lub system.ai.web_search, administrator konta musi włączyć wersję beta Unity Gateway na stronie Wersje zapoznawcze w konsoli konta. Zobacz Podglądy konta.

Informacje o opcjach tożsamości i wymaganiach dotyczących łączności można znaleźć w sekcji Uwierzytelnianie i dostęp do sieci.

Krok 1: Zainstaluj i zaloguj się

  1. Jeśli nie zainstalowałeś jeszcze Databricks CLI, uruchom to polecenie na macOS lub Linux:

    curl -fsSL https://raw.githubusercontent.com/databricks/setup-cli/main/install.sh | sh

    W przypadku systemu Windows lub innych metod instalacji zobacz Instalowanie interfejsu wiersza polecenia Databricks.

  2. Zaloguj się do swojego obszaru roboczego:

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

  3. Zainstaluj biblioteki Python:

    pip install --upgrade databricks-mcp databricks-sdk "mcp>=1.24,<2"

Przykłady wykorzystują MCP Python 1.x, który jest kompatybilny z poniższymi frameworkami agentów.

Krok 2: Połącz się z serwerem

Zapisz następujący kod jako mcp_agent.py. Zastąp <mcp-server-url> adresem URL swojego serwera:

  • Dostarczone lub zarejestrowane przez Databricks MCP:https://<workspace-hostname>/ai-gateway/mcp-services/<catalog>.<schema>.<service>.
  • Serwer w aplikacjach Databricks: Skopiuj URL aplikacji ze strony przeglądu i dopisz /mcp.
from databricks_mcp import DatabricksMCPClient
from databricks.sdk import WorkspaceClient

workspace_client = WorkspaceClient()
server_url = "<mcp-server-url>"
mcp_client = DatabricksMCPClient(
    server_url=server_url,
    workspace_client=workspace_client,
)

tools = mcp_client.list_tools()
for tool in tools:
    print(tool.name, tool.description, tool.inputSchema, sep="\n")

Uruchom skrypt:

python mcp_agent.py

Powinieneś zobaczyć narzędzia swojego serwera, z opisami i schematami wprowadzania. Wybierz zadanie tylko do odczytu obsługiwane przez jedno z tych narzędzi w następnym kroku. Jeśli lista jest pusta lub połączenie się nie powiedzie, zobacz uwierzytelnianie MCP i sieci.

Użyj innego serwera

Aby znaleźć MCP, do których możesz uzyskać dostęp w katalogu i schemacie, wykonaj:

databricks ai-gateway list-mcp-services --parent schemas/system.ai

Zastąp system.ai swoim <catalog>.<schema>, aby wyświetlić zarejestrowane MCP. CLI obsługuje stronowanie.

Krok 3: Uruchom agenta za pomocą tych narzędzi

Wybierz swój framework, zainstaluj jego pakiet i dodaj jego przykład w Pythonie do mcp_agent.py. Każdy przykład używa tego samego server_url i tego samego logowania do obszaru roboczego z kroku 2.

LangGraph

Przykład konwertuje bloki zawartości MCP na format wiadomości czatu modelu za pomocą convert_to_openai_messages.

pip install --upgrade databricks-langchain langgraph

import asyncio
from databricks_langchain import (
    ChatDatabricks,
    DatabricksMCPServer,
    DatabricksMultiServerMCPClient,
)
from langchain_core.messages import convert_to_openai_messages
from langgraph.prebuilt import create_react_agent

async def main():
    client = DatabricksMultiServerMCPClient([
        DatabricksMCPServer(
            name="my-mcp-server",
            url=server_url,
            workspace_client=workspace_client,
        ),
    ])
    agent = create_react_agent(
        ChatDatabricks(endpoint="databricks-claude-sonnet-4-5"),
        tools=await client.get_tools(),
        prompt=lambda state: convert_to_openai_messages(state["messages"]),
    )
    task = input("Ask the agent to use a tool: ")
    result = await agent.ainvoke({
        "messages": [{"role": "user", "content": task}],
    })
    for message in result["messages"]:
        print(message)

asyncio.run(main())
Notatnik wdrażania (opcjonalnie)

Do wdrożenia Model Serving, dostosuj ten notatnik do użycia adresu URL serwera:

Agent wywołujący narzędzia LangGraph MCP

Pobierz laptopa

Zestaw SDK agentów OpenAI

pip install --upgrade databricks-openai openai-agents

import asyncio
from agents import Agent, Runner, set_default_openai_api, set_default_openai_client
from agents.mcp import MCPServerStreamableHttpParams
from agents.tracing import set_trace_processors
from databricks_openai import AsyncDatabricksOpenAI
from databricks_openai.agents.mcp_server import McpServer

set_default_openai_client(AsyncDatabricksOpenAI())
set_default_openai_api("chat_completions")
set_trace_processors([])

async def main():
    async with McpServer(
        name="my-mcp-server",
        params=MCPServerStreamableHttpParams(url=server_url),
        workspace_client=workspace_client,
    ) as server:
        agent = Agent(
            name="Tool-using agent",
            instructions="Use the available tools to answer the user's question.",
            model="databricks-claude-sonnet-4-5",
            mcp_servers=[server],
        )
        task = input("Ask the agent to use a tool: ")
        result = await Runner.run(agent, task)
        for item in result.new_items:
            print(item.to_input_item())

asyncio.run(main())
Notatnik wdrożeniowy (opcjonalnie)

Do wdrożenia Model Serving, dostosuj ten notatnik do użycia adresu URL serwera:

Agent sdk MCP tool-calling agent

Pobierz laptopa

Klient OpenAI

pip install --upgrade databricks-openai

Ten przykład uruchamia pętlę wywoływania narzędzi jawnie za pomocą klienta kompatybilnego z OpenAI.

import json
from databricks_openai import DatabricksOpenAI, McpServerToolkit

toolkit = McpServerToolkit(url=server_url, workspace_client=workspace_client)
tools_by_name = {tool.name: tool for tool in toolkit.get_tools()}
model_client = DatabricksOpenAI()
messages = [{"role": "user", "content": input("Ask the agent to use a tool: ")}]

for _ in range(10):
    response = model_client.chat.completions.create(
        model="databricks-claude-sonnet-4-5",
        messages=messages,
        tools=[tool.spec for tool in tools_by_name.values()],
    )
    message = response.choices[0].message
    messages.append(message.model_dump(exclude_none=True))
    if not message.tool_calls:
        print(message.content)
        break
    for call in message.tool_calls:
        try:
            tool = tools_by_name.get(call.function.name)
            if tool is None:
                raise ValueError(f"Unknown tool: {call.function.name}")
            arguments = json.loads(call.function.arguments or "{}")
            if not isinstance(arguments, dict):
                raise ValueError("Tool arguments must be a JSON object.")
            output = tool.execute(**arguments)
        except Exception as error:
            output = json.dumps({"error": str(error)})
        print(call.function.name, output)
        messages.append({
            "role": "tool",
            "tool_call_id": call.id,
            "content": str(output),
        })
else:
    raise RuntimeError("The agent reached the tool-calling limit.")
Notatnik wdrożeniowy (opcjonalnie)

Do wdrożenia Model Serving, dostosuj ten notatnik do użycia adresu URL serwera:

Agent wywołujący narzędzia OpenAI MCP

Pobierz laptopa

Uruchom ponownie python mcp_agent.py. Gdy zostaniesz o to poproszony, poproś o wybrane zadanie w trybie tylko do odczytu, w tym o wszelkie wymagane dane wejściowe. Na przykład, jeśli Twój serwer ma narzędzie do wyszukiwania zgłoszeń, poproś go o znalezienie otwartych zgłoszeń w konkretnym projekcie.

Sprawdź wydrukowaną rozmowę, aby znaleźć wywołanie narzędzia, jego wynik oraz odpowiedź agenta. Odpowiedź bez wywołania narzędzia nie potwierdza, że serwer MCP został użyty.

Uruchom narzędzie bezpośrednio, aby rozwiązać problem

Użyj nazwy narzędzia i schematu danych wejściowych wydrukowanego w kroku 2. Ten przykład prosi o podanie nazwy i argumentów, aby działał z narzędziami Twojego serwera. Uruchom go po kodzie połączenia z kroku 2:

import json

tool_name = input("Read-only tool name: ")
arguments = json.loads(input("Tool arguments as a JSON object: "))
result = mcp_client.call_tool(tool_name, arguments)
print(result)

Sprawdź, czy wynik nie zawiera błędu narzędzia i zawiera oczekiwane dane.

list_tools() Odkryj nazwy narzędzi i schematy wejściowe przed wywołaniem narzędzia. Formaty wyników różnią się w zależności od narzędzia:

  • Jeśli structuredContent jest obecny, użyj bezpośrednio tego ustrukturyzowanego wyniku. Narzędzie może opisywać swój kształt za pomocą outputSchema.
  • W przeciwnym razie sprawdź bloki content . Parsuj blok tekstowy jako JSON tylko wtedy, gdy narzędzie zwraca JSON. MCP obsługuje także tekst zwykły oraz inne typy treści.
  • Sprawdź isError i obejrzyj przykładową odpowiedź, zanim będziesz polegać na konkretnych polach wyjściowych.

Wdróż i udostępnij, gdy będziesz gotowy

Lokalny przykład działa jako ty. Gdy wdrażasz agenta w Databricks Apps, wybierz tożsamość, której używa: jednostkę usługi aplikacji dla współdzielonego dostępu lub użytkownika wywołującego dla dostępu pojedynczego użytkownika.

Dla MCP dostarczonych lub zarejestrowanych przez Databricks:

W przypadku starszych serwerów obszaru roboczego lub serwerów hostowanych w Databricks Apps należy przyznać dostęp do bazowych zasobów lub aplikacji. Zobacz uwierzytelnianie agentów.

Dodatkowe zasoby

  • Ostatnia aktualizacja o