Traga o Databricks para o Kiro IDE com o poder do AI Dev Kit

Por que isso é importante

O desenvolvimento assistido por IA desmorona no momento em que o assistente precisa adivinhar nomes de colunas, layouts de tabela ou quais catálogos você pode ler. A solução é a ancoragem (grounding): conecte o assistente aos metadados ativos do workspace via Model Context Protocol (MCP), e o SQL que ele escreve usará as colunas reais que você tem, os modelos dbt farão join de tabelas reais e cada consulta herdará as permissões do Unity Catalog que você já tem configuradas. Nada sai da plataforma. A IA vê apenas o que você pode ver.

Dois marcos importantes acabam de ser alcançados para tornar isso prático no Kiro IDE:

Primeiro, o Databricks AI Dev Kit adicionou suporte ao Kiro upstream no PR #511. O instalador unificado trata o kiro como um destino de primeira classe, ao lado de claude, cursor, copilot, codex e gemini. Com apenas um comando, o Kiro adquire o kit de ferramentas completo em ~/.kiro/skills/ e ~/.kiro/settings/mcp.json.

Segundo, o Databricks AI Dev Kit Power foi lançado no catálogo Kiro Powers no PR #129. Abra o painel Powers, clique em Try e o Power executará todo o onboarding: instalador, integração do MCP, detecção de autenticação e carregamento de habilidades.

Combinado com os quatro servidores MCP remotos gerenciados pela Databricks que já vêm integrados na plataforma, você tem duas maneiras de conectar o Kiro ao Databricks. Ambas compartilham um resultado comum: os desenvolvedores entregam análises, pipelines e fluxos de trabalho de agentes mais rapidamente quando o assistente herda permissões reais do workspace em vez de adivinhar esquemas, colunas e concessões.

Por que escolher a Databricks para o desenvolvimento assistido por IA

Os dois marcos acima tornam a integração Kiro × Databricks prática. O motivo de sua importância é o que está por trás dela. Três fatores tornam a Databricks a base ideal para o desenvolvimento assistido por IA, independentemente do caminho escolhido.

O Unity Catalog é a única camada de governança que ancora a IA no nível dos dados. Cada chamada de MCP — Caminho A ou Caminho B — herda permissões baseadas em linhas, colunas e tags. O assistente não tem uma visão privilegiada dos seus dados; ele vê exatamente o que você pode ver. Não há uma camada separada de controle de acesso para gerenciar, nem o risco de a IA escrever consultas em tabelas que ela nem deveria saber que existem.

Uma única cópia dos dados, um único conjunto de definições. Como a Databricks é um lakehouse, a tabela que o assistente consulta via databricks-sql é a mesma tabela na qual seu modelo dbt grava, a mesma tabela que seu espaço Genie expõe e a mesma tabela que seu painel de AI/BI lê. Não há sincronização de data warehouse para lake para quebrar, nem uma camada semântica separada para manter sincronizada. Quando o assistente se ancora em samples.tpch.lineitem, ele está se baseando na mesma definição que todas as outras ferramentas usam.

Toda a pilha de IA está integrada, não apenas acoplada. O Mosaic AI Gateway roteia as chamadas de modelo. O Agent Bricks orquestra fluxos de trabalho multiagentes. O MLflow rastreia experimentos e avaliações. O Vector Search potencializa a recuperação semântica. O Lakebase lida com o estado transacional. Tudo isso é disponibilizado no Power, tudo no mesmo UC. Você não está costurando cinco produtos diferentes; está usando uma única plataforma.

Há um quarto ponto que vale a pena mencionar: o próprio Power é desenvolvido pela Databricks. Nenhuma outra plataforma de dados oferece um Power de IDE com um clique para Kiro, Cursor, Claude, Copilot, Codex e Gemini. A camada MCP é aberta, o protocolo é aberto, a integração é aberta — mas a experiência que a envolve foi projetada pela Databricks especificamente para a maneira como nossos clientes desenvolvem.

Visão geral dos dois caminhos

Visão geral da arquitetura de integração

Ambos os caminhos compartilham o mesmo back-end: aplicação do Unity Catalog e identidade do workspace da Databricks. Eles diferem no escopo e no modelo de autenticação.

Caminho A: conectar-se aos quatro servidores MCP gerenciados

Esta é a configuração mais leve. Um arquivo mcp.json, um Token de Acesso Pessoal (PAT) da Databricks e uma edição no perfil do shell. Em menos de 10 minutos, o Kiro estará se comunicando com o Genie, SQL, Unity Catalog Functions e Vector Search.

Pré-requisitos

• Um workspace da Databricks na AWS com o Unity Catalog habilitado.
• Um Token de Acesso Pessoal (PAT) da Databricks ou token OAuth com escopo definido para os servidores MCP que você planeja usar (sql, unity-catalog, genie, vector-search). Os PATs não utilizados são revogados automaticamente após 90 dias.
• O Kiro instalado e iniciado pelo menos uma vez para que o ~/.kiro/ exista.
• O hostname do seu workspace no formato <workspace>.cloud.databricks.com.

Gerar um PAT da Databricks

No workspace da Databricks, acesse Settings, Developer, Access tokens, Manage, Generate new token. Defina uma expiração alinhada com a política de rotação da sua equipe. Selecione apenas os escopos de API necessários; o menor privilégio é melhor do que a conveniência de liberar "tudo". Copie o token imediatamente. A Databricks não o exibirá novamente.

Onde o Kiro armazena a configuração do MCP

O Kiro lê a configuração do MCP a partir do JSON em dois escopos; o do workspace substitui o do usuário.

• Escopo do usuário: ~/.kiro/settings/mcp.json se aplica a todos os workspaces.
• Escopo do workspace: $PWD/.kiro/settings/mcp.json se aplica apenas ao workspace atual e substitui a entrada de escopo do usuário com a mesma chave.

Instalação com um clique a partir do diretório de servidores do Kiro

Abra kiro.dev/docs/mcp/servers/, encontre a linha da Databricks e clique em Add to Kiro. O navegador iniciará o Kiro e abrirá uma caixa de diálogo de confirmação com uma configuração pré-preenchida. Confirme para gravar a entrada databricks-sql no ~/.kiro/settings/mcp.json. A entrada faz referência a duas variáveis de ambiente que ainda não existem; nós as definiremos a seguir.

Verificar (ou adicionar) a entrada databricks-sql

Definir as variáveis de ambiente

No perfil do shell que inicia o Kiro (geralmente ~/.zshrc no macOS):

Execute o source no perfil (source ~/.zshrc) antes de iniciar o Kiro. Feche totalmente o Kiro (Cmd+Q no macOS) e abra-o novamente. A opção Reload Window não relê as variáveis de ambiente; apenas a reinicialização do processo faz isso.

Adicionar Genie, UC Functions, e Vector Search

Todos os quatro servidores gerenciados pela Databricks se conectam como MCP HTTP remoto. O handshake de inicialização é bem-sucedido mesmo com uma URL temporária; o servidor valida o recurso apenas quando uma ferramenta é invocada. Um estado conectado, mas inoperante, onde tools/call retorna RESOURCE_DOES_NOT_EXIST ou PERMISSION_DENIED, é o modo de falha mais comum. Execute estas verificações preliminares primeiro:

• Genie: confirme se existe um espaço Genie e se você consegue abri-lo. O ID do espaço aparece na URL.
• UC Functions: confirme se a função existe e se você tem EXECUTE. Liste as funções com
  SELECT * FROM system.information_schema.routines WHERE routine_type = 'FUNCTION'.
• Vector Search: confirme se existe um endpoint com pelo menos um índice acessível em Catalog, Vector Search.
• PAT scope: um PAT com escopo de workspace ainda pode atingir PERMISSION_DENIED em espaços Genie ou índices de vetor se o usuário não tiver a permissão Can View no recurso específico. Os espaços Genie são compartilhados individualmente.

Adicione as variáveis de ambiente adicionais (DATABRICKS_GENIE_MCP_URL, DATABRICKS_UC_FUNCTIONS_MCP_URL, DATABRICKS_VECTOR_SEARCH_MCP_URL) e atualize mcp.json para a configuração completa:

Formatos de URL por servidor:

Feche e reinicie o Kiro novamente. Abra a seção MCP SERVERS do painel do Kiro; as quatro entradas databricks-* aparecerão com indicadores de status verdes. Clique em reconectar em qualquer item vermelho e verifique novamente o pre-flight. Tente uma primeira consulta de baixo risco no painel de chat: "Listar os catálogos aos quais tenho acesso."

Caminho B: instalar o Databricks AI Dev Kit Power

Os quatro servidores gerenciados cobrem SQL, busca semântica e análise de linguagem natural, o que é suficiente para muitos desenvolvedores. Se o seu fluxo de trabalho abrange pipelines, jobs, model serving, Lakebase, Asset Bundles, Mosaic AI, Agent Bricks, painéis de AI/BI, MLflow ou Databricks Apps, a configuração de quatro servidores fará com que você passe o dia copiando e colando de volta na UI do workspace.

O Databricks AI Dev Kit Power resolve isso. Uma única instalação. Todas as ferramentas e habilidades essenciais, quatro opções de autenticação, tudo carregável sob demanda.

O que você recebe

Instalar com um clique

No Kiro, abra o painel Powers, pesquise por databricks e clique em Experimentar. O Power executa o instalador oficial do Databricks AI Dev Kit no modo Kiro não interativo:

O instalador baixa o servidor MCP, cria um ambiente virtual uv e extrai a biblioteca de habilidades especializadas para ~/.kiro/skills/. O Power copia as habilidades para seu próprio diretório steering/ para que sejam carregadas sob demanda com base na tarefa em questão. Nenhum conteúdo é empacotado no próprio Power; tudo é buscado upstream, de modo que as habilidades permaneçam atualizadas.

As quatro opções de autenticação

O fluxo de integração do Power detecta credenciais existentes e orienta você na escolha certa. Todas as quatro estão documentadas inline:

O mcp.json do Power é fornecido com disabled: true até que você escolha uma opção; nada se conecta até que você tenha escolhido e configurado explicitamente suas credenciais. O fluxo de detecção de credenciais é neutro. Se várias credenciais forem detectadas, todas as quatro opções serão apresentadas em ordem, sem padrão e sem reutilização silenciosa.

Verificar a instalação

Reinicie o Kiro, abra o painel MCP SERVERS e confirme se a entrada databricks está conectada (verde). Pergunte ao chat: "Obter meu usuário atual do Databricks." Essa única chamada testa a autenticação, a resolução de variáveis de ambiente e a ativação do servidor. Se funcionar, toda a cadeia está saudável.

Como escolher entre os dois caminhos

Uma árvore de decisão simples:

1. Apenas executando SQL, fazendo perguntas em linguagem natural sobre conjuntos de dados governados via Genie e pesquisando índices de vetor? Use o Caminho A. Os quatro servidores gerenciados fazem exatamente isso, e a configuração leva 10 minutos.
2. Criar pipelines, gerenciar jobs, implantar Asset Bundles, trabalhar com o Lakebase, criar Databricks Apps ou chamar Mosaic AI / Agent Bricks? Use o Caminho B. O kit de ferramentas completo tem uma área de superfície grande demais para ser adicionada como servidores MCP remotos avulsos.
3. Híbrido? Execute ambos. O Caminho A e o Caminho B não entram em conflito. O Power grava sua própria entrada mcpServers.databricks, enquanto os quatro servidores do Caminho A (databricks-genie, databricks-sql, databricks-uc-functions, databricks-vector-search) são chaves separadas. O Kiro apresenta todos eles no painel do MCP.

Para desenvolvedores que planejam usar o Kiro no dia a dia em cargas de trabalho do Databricks, o Caminho B é a melhor solução a longo prazo. O Caminho A é a resposta certa se você tiver 10 minutos e quiser interagir com um SQL warehouse.

Pela perspectiva do desenvolvedor

Ambos os caminhos funcionam de maneira diferente dependendo de quem está usando a IDE. Quatro personas, quatro pontos de dor, quatro respostas.

O engenheiro de analytics. Você passa metade do dia consultando tabelas que nunca viu e a outra metade copiando e colando entre o seu editor e a UI do workspace. O Caminho A resolve isso em 10 minutos. Os servidores Genie e SQL baseiam cada consulta em metadados de esquema reais; o assistente escreve com base em suas colunas reais, sem adivinhações; e cada resultado herda suas permissões do Unity Catalog. Você para de alternar entre abas.

O engenheiro de dados. Seu dia a dia envolve pipelines, jobs, Asset Bundles e as promoções entre ambientes que acompanham os três. Criar o databricks.yml manualmente e executar databricks bundle deploy a partir de uma barra lateral do terminal é o caminho mais lento. O Caminho B é o caminho mais rápido. As habilidades de pipelines + jobs + Asset Bundles do Power produzem, validam e implantam IaC a partir de uma única conversa. Spark Declarative Pipelines, CDC, SCD Type 2, Auto Loader — tudo gerado com base em suas tabelas reais do UC e pronto para o commit.

O desenvolvedor de IA / agentes. Você está conectando chamadas de modelo, avaliação, governança e orquestração de agentes em três ou quatro ferramentas que não entram em acordo sobre o esquema. O Caminho B cobre toda a superfície de IA do Databricks — Mosaic AI Gateway para roteamento e fallbacks, Agent Bricks para supervisores multiagentes e assistentes de conhecimento, MLflow para avaliação, Vector Search para recuperação — tudo governado pelo UC de ponta a ponta. Seu agente herda as mesmas permissões que quem o chamou, e seus rastreamentos de avaliação vão para o mesmo workspace que as suas execuções de treinamento.

O desenvolvedor de plataforma. Você gerencia recursos do Databricks como código, promove entre dev/stage/prod e responde à pergunta "tivemos desvios?" semanalmente. A habilidade de Asset Bundles do Caminho B, somada às habilidades de gerenciamento do Unity Catalog, gera o bundle completo, valida-o em relação ao estado real do seu workspace e detecta desvios antes que causem problemas. Você para de manter um conjunto de YAML manualmente e outro em um documento.

Um fluxo de trabalho que você pode executar hoje

Qualquer que seja o caminho escolhido, este exercício baseia o assistente em metadados reais do workspace usando o catálogo samples.tpch, disponível em todos os workspaces do Databricks.

Você pergunta: "Quais colunas e tipos o samples.tpch.lineitem possui e qual é a distribuição dos dados por ano de l_shipdate?"

O Kiro retorna o esquema real e um histograma a partir de uma única consulta executada pelo MCP. Nomes de colunas reais, distribuição real, sem alucinações.

Você pergunta: "Esboce um modelo dbt que faça um join de lineitem com orders e agregue a receita por nação por trimestre."

O Kiro gera o SQL usando os nomes reais das colunas (l_extendedprice, l_discount, o_orderdate) em vez de adivinhações. Como ele consultou o esquema primeiro, ele conhece os tipos exatos e a granularidade.

Você pergunta: "Execute minha nova agregação em samples.tpch e compare a contagem de linhas com o snapshot da semana passada em poc.gold.revenue_by_nation_qtr."

O Kiro executa ambas as consultas e exibe a diferença. Quando um número parece incorreto, "Mostre-me a linhagem de gold.revenue_by_nation_qtr" busca as tabelas de origem de system.access.table_lineage. Uma vez verificado, o Kiro gera o JSON do job do Databricks para o modelo e lista quais catálogos e esquemas ele afeta.

No Caminho B, o mesmo fluxo de trabalho se estende para "Gerar o Asset Bundle para este job e implantá-lo em staging" ou "Criar um painel de AI/BI baseado nesta agregação" ou "Conectar isso a um endpoint do Mosaic AI Gateway com um modelo de fallback", tudo sem sair da IDE.

Boas práticas, independentemente do caminho

• Autenticação de menor privilégio. Gere um PAT separado por estação de trabalho e por conjunto de escopo. No Caminho B, prefira o OAuth U2M para uso interativo em vez de PATs.
• Nunca faça commit de credenciais. Armazene DATABRICKS_ACCESS_TOKEN no seu perfil de shell ou em um gerenciador de segredos. Nunca o coloque em mcp.json enviado para o controle de versão.
• Escopo por projeto. Mantenha os IDs de espaço do Genie e os caminhos de índice do Vector Search em $PWD/.kiro/settings/mcp.json para que cada projeto tenha suas próprias vinculações de recursos.
• Confie nas permissões do UC. Todos os caminhos aplicam permissões baseadas em linha, coluna e tag do Unity Catalog. A IA herda suas permissões efetivas em cada chamada. Não há uma camada separada de controle de acesso para gerenciar.
• Reinicie, não recarregue. O Kiro lê as variáveis de ambiente uma vez no início do processo. Depois de editar seu perfil de shell ou adicionar autenticação, saia completamente (Cmd+Q no macOS) e abra novamente.

Solução de problemas

"Servidor não encontrado" ou status vermelho em uma entrada do MCP.

Caminho A: verifique echo $DATABRICKS_SQL_MCP_URL no shell que iniciou o Kiro. Um valor vazio significa que o Kiro não consegue resolver a URL. Confirme se o mcp.json de escopo do workspace não está sobrepondo sua configuração de escopo do usuário. Verifique se o PAT ainda é válido em Settings, Developer, Access tokens.

Caminho B: insira novamente o fluxo de detecção de credenciais a partir do onboarding do Power. Se o servidor MCP retornar Invalid access token ou 401, o gancho de recuperação 401 integrado do Power pausará as chamadas de ferramentas e exibirá novamente as opções de autenticação.

Conectado ao MCP, mas as chamadas de ferramentas retornam RESOURCE_DOES_NOT_EXIST ou PERMISSION_DENIED.

A falha mais comum do Caminho A. O handshake de inicialização é bem-sucedido com uma URL temporária porque o servidor adia a validação do recurso até a invocação. Execute novamente as verificações preliminares para o servidor específico (o espaço do Genie existe e está compartilhado com você, a função existe e você tem EXECUTE, o índice de vetor existe e você tem permissão de Can View).

Experimente hoje mesmo. O Databricks AI Dev Kit Power é a maneira mais rápida de obter a plataforma completa — pipelines, jobs, Lakebase, Mosaic AI, Agent Bricks e tudo mais listado acima — dentro do Kiro. Instale-o diretamente do catálogo do Kiro Powers em github.com/kirodotdev/powers ou visite github.com/databricks-solutions/ai-dev-kit para instalar o kit de ferramentas subjacente para o Kiro ou qualquer IDE compatível (Claude, Cursor, Copilot, Codex, Gemini). Para os quatro servidores MCP gerenciados pelo Databricks, a instalação com um clique está disponível em kiro.dev/docs/mcp/servers/.

Tem algum feedback ou encontrou um problema? Abra uma issue em databricks-solutions/ai-dev-kit — nós lemos todas.

As opiniões e ideias compartilhadas aqui são de nossa autoria e não representam a política oficial do Databricks.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original