在 AI 编程代理快速普及的背景下，如何让 Claude Code、Cursor、Windsurf 等工具高效地操作企业级 Databricks 资产，成为工程团队面临的核心挑战。Databricks 解决方案团队推出的 AI Dev Kit 提供了一套围绕 Model Context Protocol 构建的完整工具链，将 Databricks 生态的复杂性封装为代理可直接调用的可执行工具与知识模式。
三层架构设计：知识、工具与执行
AI Dev Kit 的核心设计理念是将 Databricks 开发知识转化为代理可理解的技能与工具。整体架构呈现清晰的三层结构：最底层是 databricks-skills，包含 19 个 Markdown 格式的技能文档，涵盖 Spark 声明式流水线、Databricks Jobs、Unity Catalog 治理、MLflow 实验等典型场景的最佳实践；中间层是 databricks-mcp-server，通过 MCP 协议暴露 50 余个可执行工具，使 AI 代理能够执行 SQL 查询、操作 Delta 表、触发工作流、调用向量搜索端点；最上层则对接各类 AI 编码环境，包括 Claude Code、Cursor、Windsurf 以及自定义的代理运行时。
这种分层设计的核心优势在于知识与执行的解耦。技能文档负责告诉代理「什么是正确的做法」，而 MCP 工具负责将决策转化为具体的 API 调用。代理在处理复杂任务时，可以先从技能文档中检索相关模式，再通过 MCP 工具执行相应操作，形成了完整的感知 - 推理 - 执行闭环。
四大核心组件深度解读
databricks-tools-core 是整个工具包的基础库，提供高级 Python 函数封装。开发者可以在自己的项目中直接导入使用，例如通过 execute_sql 函数执行查询并返回结构化结果。该库同时支持与 LangChain、OpenAI Agents SDK 等通用框架集成，使得在构建自定义代理时可以无缝接入 Databricks 能力。工具核心库的设计遵循最小化依赖原则，通过 litellm 适配多种大模型调用协议。
databricks-mcp-server 是整个工具链的执行引擎，基于 FastMCP 框架构建。它将 Databricks Workspace 的各类资源转化为标准化的 MCP 工具，包括元数据浏览工具（list_catalogs、list_schemas、list_tables）、SQL 执行工具（run_sql）、向量搜索工具（vector_search）、Genie Spaces 调用工具等。值得注意的是，Databricks 同时提供托管 MCP 服务器与自定义 MCP 服务器两种模式，前者适用于 Unity Catalog 函数、向量搜索等原生服务，后者则允许开发者通过 Databricks Apps 封装自定义业务逻辑。
databricks-skills 包含的 19 个技能文档是 Field Engineering 团队沉淀的实践精华。每个技能本质上是一份结构化的操作指南，说明在特定场景下应当使用哪些工具、遵循何种参数规范。例如，构建流式表时应当使用 Auto Loader 的哪些配置选项，创建 MLflow 实验时应当记录哪些关键元数据。这些技能可以独立安装，仅提供模式指导而不强制执行 MCP 函数，为偏好不同工作流的团队提供了灵活性。
databricks-builder-app 则面向希望通过可视化界面进行 Databricks 开发的用户。它是一个基于 FastAPI 的全栈 Web 应用，内置 Claude Code 集成，提供对话式的开发体验。团队可以通过 scripts/setup.sh 快速部署该应用，在浏览器中完成表创建、Notebook 编写、Dashboard 配置等操作。
与通用框架的关键差异
相比 LangChain、Composio 等通用 AI Agent 框架，AI Dev Kit 的差异化价值体现在三个维度。首先是 生态原生性：工具函数直接映射到 Databricks REST API 和 Unity Catalog 元数据模型，无需额外适配层。其次是 企业级治理：与 Unity Catalog 的深度集成确保了数据访问控制、行级安全、血缘追踪等企业级特性能够自然延伸到代理操作中。第三是 场景聚焦：19 个技能文档覆盖了 Databricks 最常见的开发场景，代理无需在广袤的知识海洋中自行检索正确答案。
从技术选型角度看，如果团队的核心诉求是在 Databricks 之上快速构建 AI 辅助开发流程，AI Dev Kit 提供了开箱即用的完整方案；如果需要更底层的自定义能力，可以仅采用 MCP Server 组件并结合自有的代理运行时。
实践参数与部署清单
在生产环境中部署 AI Dev Kit 时，以下参数值得特别关注。安装依赖方面，需要提前准备 uv 包管理器和 Databricks CLI，确保 CLI 配置文件中已设置目标 Workspace 的主机地址和认证令牌。工具选择方面，建议根据实际使用场景决定安装范围：全新项目可采用完整安装，已有项目可通过 --tools cursor 参数仅安装特定工具。认证配置方面，项目级安装会在 .claude 或 .cursor 目录下生成配置文件，这些配置可在团队内部复用，但需要注意敏感信息的访问权限控制。
对于希望深度定制的团队，自定义 MCP 服务器是主要的扩展入口。通过 Databricks Apps 封装业务逻辑时，需要在应用注册阶段将 MCP 服务器 URL 和工具架构注册到代理模型中，以便认证信息能够自动传递。
Databricks AI Dev Kit 为企业级 AI 编程代理开发提供了结构化的解决方案，通过技能文档与 MCP 工具的协同，使 AI 代理能够在保持治理合规的前提下高效操作 Databricks 资产。随着 MCP 协议在 AI 开发领域的持续普及，这一工具链有望成为 Databricks 生态中代理开发的事实标准。
资料来源：Databricks Solutions 团队开源项目 AI Dev Kit（GitHub: databricks-solutions/ai-dev-kit）