Métadonnées + Données : Utiliser le serveur MCP DataGalaxy avec votre stockage de données MCP (exemple Databricks)

Modifié le : Mar, 10 Mars, 2026 à 9:01 H

Cet article explique comment combiner les métadonnées (serveur MCP DataGalaxy) avec les données (un MCP de stockage de données comme Databricks) dans Cursor : trouver et comprendre les assets dans votre catalogue, puis exécuter directement leurs requêtes dans votre plateforme de données.

Ce que vous obtenez

DataGalaxy MCP : Rechercher dans le catalogue et obtenir les détails des objets (noms, descriptions, propriétaires, et bien plus encore).
Databricks MCP : Exécuter des requêtes SQL dans votre espace de travail Databricks et récupérer les jeux de résultats.

Ensemble, vous pouvez :

Trouver le bon asset dans DataGalaxy (par exemple un objet de traitement de données ou une requête sauvegardée).
Lire la requête ou la logique stockée dans cet asset.
Exécuter cette requête dans Databricks (éventuellement avec des paramètres comme le nom du client, la date, etc.).
Utiliser les résultats dans votre analyse ou dans des prompts de suivi.

Prérequis

Le serveur MCP DataGalaxy configuré dans votre client MCP (ici nous utilisons Cursor) et connecté à votre instance DataGalaxy (avec le bon workspace / la bonne version).
Le serveur MCP Databricks (ou un autre MCP de stockage de données) configuré et capable d’exécuter du SQL dans votre environnement.
Un accès aux workspaces DataGalaxy concernés et aux catalogues / schémas Databricks utilisés par les requêtes documentées.

Étape 1 : Configurer les deux serveurs MCP

Consultez la configuration du serveur MCP DataGalaxy ici.

Pour le serveur MCP Databricks, veuillez suivre ces instructions.

Pour configurer le serveur MCP Databricks, vous aurez besoin de :

l’URL de votre serveur MCP Databricks
https://<your-workspace-hostname>.azuredatabricks.net/api/2.0/mcp/sql
votre token, que vous pouvez trouver dans Paramètres du profil → Developer → Access tokens

La configuration du serveur MCP Databricks se présente comme suit :

{
  "mcpServers": {
    "name-mcp": {
      "type": "streamable-http",
      "url": "https://<your-workspace-hostname>/api/2.0/mcp/functions/{catalog_name}/{schema_name}",
      "headers": {
        "Authorization": "Bearer <YOUR_TOKEN>"
      },
      "note": "Databricks SQL MCP Server"
    }
  }
}

Étape 2 : Trouver l’asset dans DataGalaxy

Utilisez le MCP DataGalaxy pour rechercher l’objet qui contient la logique ou la requête dont vous avez besoin.

Exemples de ce que vous pouvez rechercher :

un objet de traitement de données (par exemple un ETL ou une requête documentée comme “Find_client_id”)
une requête Databricks ou un dataset (par exemple “Obtain customers with specific technologies”)
tout asset dont le nom ou la description indique qu’il contient une requête ou une méthode pour obtenir un ID client, une liste de clients, etc.

Conseil : incluez à la fois l’objectif et le type d’objet dans votre requête, par exemple :

« objet de traitement de données Find_client_id »
« obtenir les clients utilisant des technologies spécifiques »
« requête pour obtenir l’identifiant client à partir du nom du client »

Étape 3 : Récupérer la requête depuis l’asset

Une fois l’objet trouvé (par exemple grâce à son nom et à son workspace), récupérez ses détails complets avec DataGalaxy.

De nombreux objets de traitement de données et objets de requête contiennent un attribut query (le texte SQL).

Étape 4 : Améliorer votre requête si nécessaire

Demandez au LLM dans votre client MCP (dans notre cas Cursor) d’améliorer, de créer ou de modifier la requête.

Étape 5 : Exécuter la requête dans Databricks

Utilisez le MCP Databricks pour effectuer votre recherche de données.

Étape 6 : Utiliser les résultats

Analysez ou agrégez les résultats afin d’obtenir des insights.

Exemple

Notre catalogue de données inclut des objets de traitement de données contenant des requêtes SQL que les utilisateurs peuvent utiliser pour rechercher des informations dans la base de données :

Sans ouvrir une application web et y chercher, nous pouvons poser la question en langage naturel pour retrouver cette requête (le serveur MCP de DataGalaxy assistera dans la recherche). Ensuite, nous pouvons la modifier et interroger les données nécessaires en utilisant le serveur MCP de Databricks.

French