Duas formas de conectar o Kiro IDE à plataforma Databricks: os quatro servidores MCP gerenciados pelo Databricks para começar em 10 minutos, ou o Databricks Power e as habilidades de agente oficiais para ter todos os recursos.
O desenvolvimento assistido por IA desmorona no momento em que o assistente precisa adivinhar nomes de colunas, a estrutura das tabelas ou quais catálogos você pode ler. A solução é o grounding: conecte o assistente aos metadados em tempo real do workspace por meio do Model Context Protocol (MCP). Assim, o SQL que ele escreve usa suas colunas reais, os modelos dbt fazem join de tabelas reais e cada consulta herda as permissões do Unity Catalog que você já configurou. O acesso é aplicado no Databricks, então a IA vê apenas o que você pode ver.
Dois marcos recentes tornam isso prático no Kiro IDE, criado pela AWS:
Primeiro, o Kiro agora é um agente compatível com a Databricks CLI. Desde a CLI v1.20.0, databricks aitools install --agents kiro instala as habilidades de agente oficiais do Databricks em ~/.kiro/skills/. As habilidades que antes vinham no Databricks AI Dev Kit agora são essas habilidades oficiais, e a CLI as instala.
Segundo, o Databricks Power no catálogo Kiro Powers agora instala essas mesmas habilidades oficiais: ele configura as habilidades com a Databricks CLI e não inclui nenhum servidor MCP. Instale-o pelo painel Powers; a habilidade de configuração dele guia você pela verificação da CLI, pelo login e pela instalação das habilidades.
Junto com os quatro servidores MCP remotos gerenciados pelo Databricks que já fazem parte da plataforma, você tem duas formas de conectar o Kiro ao Databricks. As duas levam ao mesmo resultado: os desenvolvedores entregam análises, pipelines e workflows de agentes mais rápido quando o assistente herda as permissões reais do workspace em vez de adivinhar esquemas, colunas e permissões.
Os dois marcos acima tornam o Kiro × Databricks prático. O que realmente importa é o que está por baixo. Quatro aspectos fazem do Databricks a base preferida para o desenvolvimento assistido por IA, seja qual for o caminho escolhido.
O Unity Catalog ancora a IA no nível dos dados. Cada chamada é executada com suas próprias permissões, seja uma ferramenta MCP no caminho A ou um comando da Databricks CLI executado por uma habilidade no caminho B: as permissões de tabela, os filtros de linha e as máscaras de coluna se aplicam ao SQL e aos agentes do Genie, e os índices do AI Search são compartilhados individualmente. O assistente não tem uma visão privilegiada dos seus dados; ele vê o que você vê. Não existe uma camada separada de controle de acesso para gerenciar para o assistente.
Uma única cópia dos dados, um único conjunto de definições. Como o Databricks é um lakehouse, a tabela que o assistente consulta pelo databricks-sql é a mesma em que seu modelo dbt grava, a mesma que seu agente do Genie expõe e a mesma que seu dashboard de AI/BI lê. Não existe sincronização entre warehouse e lake que possa quebrar, nem uma camada semântica separada para manter em sincronia. Quando o assistente se baseia em samples.tpch.lineitem, ele usa a mesma definição que todas as outras ferramentas.
Toda a pilha de IA é integrada, não adicionada depois. O Unity Gateway roteia as chamadas aos modelos. O Agent Bricks orquestra workflows multiagente. O MLflow acompanha experimentos e avaliações. O AI Search potencializa a recuperação semântica. O Lakebase gerencia o estado transacional. As habilidades cobrem tudo isso (databricks-unity-gateway, databricks-agent-bricks, databricks-mlflow-evaluation, databricks-vector-search e databricks-lakebase), tudo no mesmo Unity Catalog. Você não está juntando cinco produtos; está usando uma única plataforma.
As habilidades são criadas pelo Databricks. Os protocolos são abertos, mas as orientações dentro das habilidades são escritas pelo Databricks especificamente para a forma como nossos clientes desenvolvem.
Aspecto | Caminho A: servidores MCP gerenciados | Caminho B: Databricks Power |
|---|---|---|
Escopo | 4 servidores: Genie, SQL, Unity Catalog Functions, AI Search | Habilidades de agente oficiais do Databricks, mais as habilidades do MLflow |
O que você recebe | SQL em linguagem natural, pesquisa semântica, execução de funções governada | O escopo do caminho A, mais pipelines, jobs, dashboards, Lakebase, Agent Bricks, Declarative Automation Bundles, MLflow, Model Serving e Apps |
Hospedagem | Gerenciado pelo Databricks (HTTPS remoto) | Habilidades instaladas na sua máquina pela Databricks CLI (databricks aitools); sem servidor MCP |
Autenticação | PAT no ambiente do shell | Perfil da Databricks CLI, OAuth U2M recomendado |
Configuração | Editar ~/.kiro/settings/mcp.json e exportar as variáveis de ambiente | Instalar o Power e seguir a configuração guiada da CLI |
Ideal para | Analistas e desenvolvedores focados em SQL que querem fazer uma pergunta ao warehouse em 10 minutos | Engenheiros de dados e desenvolvedores de plataforma que precisam de todos os recursos do Databricks em um único IDE |

Os dois caminhos compartilham o mesmo back-end: a aplicação das regras pelo Unity Catalog e a identidade do workspace do Databricks. Eles diferem no escopo e no modelo de autenticação.
Esta é a configuração mais leve: um arquivo mcp.json, um Personal Access Token do Databricks e uma alteração no perfil do shell. Em menos de 10 minutos, o Kiro está se comunicando com Genie, SQL, Unity Catalog Functions e AI Search.
Para novas integrações, o Databricks agora recomenda os MCPs system.ai por meio do Unity Gateway. Os quatro endpoints /api/2.0/mcp deste caminho estão em Public Preview e não são governados pelo Unity Gateway. O acesso continua seguindo suas permissões nos recursos subjacentes (agentes do Genie, tabelas, funções, índices e SQL warehouses); você abre mão apenas do rastreamento do Unity Gateway e das permissões, políticas e proteções dele no nível do MCP. O MCP do Genie One (system.ai.genie_one_mcp) está disponível para todos, e a habilidade de configuração do Databricks Power mostra como adicioná-lo ao mcp.json. Consulte Databricks-provided MCPs para ver as duas opções.
sql, unity-catalog, genie, ai-search). PATs não utilizados são revogados automaticamente após 90 dias.~/.kiro/ exista.<workspace>.cloud.databricks.com.No workspace do Databricks, acesse Settings, Developer, Access tokens, Manage, Generate new token. Defina uma data de expiração alinhada à política de rotação da sua equipe. Selecione apenas os escopos de API de que você precisa; o privilégio mínimo é melhor do que a conveniência de "tudo". Copie o token imediatamente. O Databricks não o exibe novamente.
O Kiro lê a configuração do MCP em JSON a partir de dois escopos; o escopo do workspace tem prioridade sobre o do usuário.
~/.kiro/settings/mcp.json se aplica a todos os workspaces.$PWD/.kiro/settings/mcp.json se aplica apenas ao workspace atual e substitui a entrada com a mesma chave do escopo do usuário.Abra kiro.dev/docs/mcp/servers/, encontre a linha do Databricks e clique em Add to Kiro. O navegador abre o Kiro e exibe uma caixa de diálogo de confirmação com uma configuração pré-preenchida. Confirme para gravar a entrada databricks-sql em ~/.kiro/settings/mcp.json. Ela chega desativada, com uma URL de exemplo e uma referência à variável DATABRICKS_ACCESS_TOKEN. Em seguida, defina a URL como ${DATABRICKS_SQL_MCP_URL}, altere "disabled" para false e crie as duas variáveis.
No perfil do shell que abre o Kiro (normalmente ~/.zshrc no macOS):
Recarregue o perfil (source ~/.zshrc) antes de abrir o Kiro. Feche o Kiro completamente (Cmd+Q no macOS) e abra-o de novo. O Reload Window não lê novamente as variáveis de ambiente; só a reinicialização do processo faz isso.
O Kiro só expande referências ${...} em mcp.json para variáveis de ambiente que você aprovou. Quando o Kiro mostrar o aviso de segurança com a lista de variáveis DATABRICKS_*, aprove-as, ou adicione-as você mesmo em Settings, Mcp Approved Env Vars.
Os quatro servidores gerenciados pelo Databricks se conectam como MCP HTTP remotos. O handshake initialize funciona até com uma URL de exemplo; o servidor só valida o recurso quando uma ferramenta é invocada. Um estado conectado, mas com falha, em que tools/call retorna RESOURCE_DOES_NOT_EXIST ou PERMISSION_DENIED, é o problema mais comum. Faça primeiro estas verificações prévias:
<genie_space_id> na tabela de URLs abaixo.EXECUTE. Liste as funções comSELECT * FROM system.information_schema.routines WHERE routine_type = 'FUNCTION'.PERMISSION_DENIED se o usuário não tiver acesso ao recurso específico: Can View no agente do Genie, ou SELECT no índice do AI Search (mais USE CATALOG e USE SCHEMA). Os agentes do Genie são compartilhados individualmente.Adicione as variáveis de ambiente extras (DATABRICKS_GENIE_MCP_URL, DATABRICKS_UC_FUNCTIONS_MCP_URL, DATABRICKS_AI_SEARCH_MCP_URL) e atualize mcp.json com a configuração completa:
Formatos de URL por servidor:
Servidor | Padrão de URL |
|---|---|
databricks-genie | https://<workspace-hostname>/api/2.0/mcp/genie/<genie_space_id> |
databricks-sql | https://<workspace-hostname>/api/2.0/mcp/sql |
databricks-uc-functions | https://<workspace-hostname>/api/2.0/mcp/functions/<catalog>/<schema>/<function_name> |
databricks-ai-search | https://<workspace-hostname>/api/2.0/mcp/ai-search/<catalog>/<schema>/<index_name> |
Feche e abra o Kiro novamente. Abra a seção MCP SERVERS do painel do Kiro; as quatro entradas databricks-* aparecem com indicadores de status verdes. Clique em reconnect em qualquer uma que esteja vermelha e refaça as verificações prévias. Experimente uma primeira consulta de baixo risco no painel de chat: "List the catalogs I have access to."
Os quatro servidores gerenciados cobrem SQL, pesquisa semântica e análise em linguagem natural, o que basta para muitos desenvolvedores. Se o seu workflow envolve pipelines, jobs, Model Serving, Lakebase, Declarative Automation Bundles, Agent Bricks, dashboards de AI/BI, MLflow ou Databricks Apps, a configuração com quatro servidores faz você passar o dia copiando e colando na interface do workspace.
O Databricks Power resolve isso. Uma única instalação configura as habilidades de agente oficiais do Databricks, que são carregadas sob demanda de acordo com a tarefa em andamento.
Área | Cobertura |
|---|---|
SQL & Compute | Executar SQL em warehouses; executar Python ou Scala em clusters; gerenciar o ciclo de vida da computação |
Pipelines & Jobs | Spark Declarative Pipelines (tabelas de streaming, CDC, SCD Type 2, Auto Loader); DAGs de jobs com várias tarefas |
Unity Catalog | Tabelas, volumes, permissões, tags, credenciais de armazenamento, tabelas de sistema, metric views, External Iceberg Reads |
Dashboards de AI/BI | Visualizações, KPIs, dashboards analíticos |
Agentes do Genie | Exploração de dados em linguagem natural sobre conjuntos de dados governados |
Agent Bricks | Knowledge Assistants (RAG) e Multi-Agent Supervisors |
AI Search | Pesquisa semântica e RAG com índices gerenciados |
Model Serving | Modelos de ML, agentes de IA e Foundation Model APIs (FMAPI) com pagamento por token, roteáveis pelo Unity Gateway |
MLflow | Experimentos, avaliações, instrumentação de traces, consultas de métricas |
Lakebase | PostgreSQL gerenciado, provisionado ou com escalonamento automático, para cargas de trabalho OLTP |
Databricks Apps | Aplicativos web full-stack no Lakehouse |
Declarative Automation Bundles (antes Databricks Asset Bundles) | Infraestrutura como código para recursos do Databricks |
No Kiro (IDE 1.0.288 ou posterior), abra o painel Powers, pesquise databricks e instale o Databricks Power. A habilidade de configuração dele então guia você em quatro etapas:
databricks aitools, e instalá-la ou atualizá-la se necessário.databricks auth login ou reutilizar um perfil que você já tenha.databricks aitools install --agents kiro --scope global, que as coloca em ~/.kiro/skills/. Use --scope project para instalá-las em um único workspace.Além da habilidade de configuração, o Power não inclui nenhum conteúdo nem servidor MCP. A CLI baixa as habilidades de databricks/databricks-agent-skills, e você mesmo as atualiza com databricks aitools update.
As habilidades executam comandos da Databricks CLI, então usam um perfil da Databricks CLI. Para uso interativo, faça login com OAuth user-to-machine: databricks auth login --host https://<your-workspace-url> --profile <profile-name> abre um navegador, e o token é renovado automaticamente. O OAuth com service principal é indicado para automação, e os Personal Access Tokens continuam sendo uma opção; consulte Databricks CLI authentication. A habilidade de configuração lista seus perfis existentes sem exibir nenhum segredo e nunca reutiliza um perfil sem perguntar.
O Kiro carrega as habilidades quando uma sessão de chat começa, então abra uma nova sessão e pergunte: "Using the databricks-core skill, which workspace am I connected to?" Uma resposta correta confirma a CLI, seu perfil e as habilidades. databricks aitools list mostra a versão instalada de cada habilidade.
Se você instalou o antigo Databricks AI Dev Kit Power, atualize o Power no Kiro e depois siga as etapas das habilidades e do MLflow acima. Alguns itens ficam fora do Power e precisam de limpeza manual: uma entrada databricks de nível superior em mcp.json que executa databricks-mcp-server/run_server.py, e qualquer exportação de credenciais DATABRICKS_* que a configuração antiga adicionou ao seu perfil do shell. Opcionalmente, remova o clone do ai-dev-kit (~/.ai-dev-kit, ou o diretório indicado em AIDEVKIT_HOME), mas só se você não usar o ai-dev-kit para outros agentes ou projetos. Exclua o diretório em vez de executar o install.sh --uninstall do ai-dev-kit, que remove pastas de habilidades pelo nome de ~/.kiro/skills/, inclusive as instaladas pela Databricks CLI. A seção "Migrating from the AI Dev Kit Power" da habilidade databricks-kiro-setup do Power cobre os três itens.
Uma árvore de decisão simples:
databricks-genie, databricks-sql, databricks-uc-functions, databricks-ai-search) ficam lado a lado com ele no painel MCP do Kiro. A habilidade de configuração do Power também pode guiar você para adicionar ao seu mcp.json um MCP fornecido pelo Databricks, como o Genie One, por meio do Unity Gateway.Para desenvolvedores que pretendem trabalhar no Kiro todos os dias com cargas de trabalho do Databricks, o caminho B é a melhor opção a longo prazo. O caminho A é a escolha certa se você tem 10 minutos e um SQL warehouse com o qual quer conversar.
Os dois caminhos funcionam de forma diferente dependendo de quem está usando o IDE. Quatro perfis, quatro dificuldades, quatro respostas.
O analytics engineer. Você passa metade do dia consultando tabelas que nunca viu e a outra metade copiando e colando entre o editor e a interface do workspace. O caminho A resolve isso em 10 minutos. Os servidores do Genie e do SQL baseiam cada consulta em metadados reais do esquema; o assistente escreve com suas colunas reais, sem chutes; e cada resultado herda suas permissões do Unity Catalog. Chega de ficar trocando de aba.
O engenheiro de dados. Seu dia a dia são pipelines, jobs, Declarative Automation Bundles e as promoções entre ambientes que vêm com eles. Escrever o databricks.yml à mão e executar databricks bundle deploy em um terminal lateral é o caminho lento. O caminho B é o rápido. As habilidades do Power para pipelines, jobs e Declarative Automation Bundles geram, validam e implantam IaC em uma única conversa. Spark Declarative Pipelines, CDC, SCD Type 2, Auto Loader: tudo gerado a partir das suas tabelas reais do Unity Catalog e pronto para o commit.
O desenvolvedor de IA e agentes. Você conecta chamadas a modelos, avaliação, governança e orquestração de agentes em três ou quatro ferramentas que não concordam totalmente sobre o esquema. O caminho B cobre toda a oferta de IA do Databricks: Unity Gateway para roteamento e fallbacks, Agent Bricks para supervisores multiagente e assistentes de conhecimento, MLflow para avaliação e AI Search para recuperação, tudo governado de ponta a ponta pelo Unity Catalog. Seu agente herda as mesmas permissões de quem o chama, e seus traces de avaliação chegam ao mesmo workspace das suas execuções de treinamento.
O desenvolvedor de plataforma. Você gerencia os recursos do Databricks como código, faz promoções entre dev/stage/prod e responde toda semana à pergunta "houve desvio?". A habilidade de Declarative Automation Bundles do caminho B (databricks-dabs), junto com as habilidades de gerenciamento do Unity Catalog, gera o bundle completo, valida e mostra o plano de implantação (databricks bundle plan) antes de qualquer alteração. Você para de manter um conjunto de YAML à mão e outro em um documento.
Seja qual for o caminho escolhido, este exercício baseia o assistente em metadados reais do workspace usando o conjunto de dados samples.tpch do catálogo samples integrado.
Você pergunta: "What columns and types does samples.tpch.lineitem have, and what is the data distribution by l_shipdate year?"
O Kiro retorna o esquema real e um histograma a partir de uma única consulta. Nomes de colunas reais e uma distribuição real, baseados no seu workspace.
Você pergunta: "Draft a dbt model that joins lineitem to orders and aggregates revenue by nation per quarter."
O Kiro gera SQL com os nomes de coluna reais (l_extendedprice, l_discount, o_orderdate) em vez de suposições. Como consultou o esquema primeiro, ele conhece os tipos exatos e a granularidade.
Você pergunta: "Run my new aggregation against samples.tpch and compare the row count to last week's snapshot in poc.gold.revenue_by_nation_qtr."
O Kiro executa as duas consultas e mostra as diferenças. Se um número parecer estranho, "Show me the lineage for gold.revenue_by_nation_qtr" busca as tabelas de origem em system.access.table_lineage. Depois de verificado, o Kiro gera o JSON do job do Databricks para o modelo e lista quais catálogos e esquemas ele usa.
No caminho B, o mesmo workflow se estende a "Generate a Declarative Automation Bundle for this job and deploy it to staging", "Create an AI/BI dashboard backed by this aggregation" ou "Wire this into a Unity Gateway endpoint with a fallback model", tudo sem sair do IDE.
DATABRICKS_ACCESS_TOKEN no seu perfil do shell ou em um gerenciador de segredos. Nunca o coloque em um mcp.json versionado no controle de código.$PWD/.kiro/settings/mcp.json, para que cada projeto leve as próprias vinculações de recursos."Server not found" ou status vermelho em uma entrada MCP.
Caminho A: verifique echo $DATABRICKS_SQL_MCP_URL no shell que abriu o Kiro. Um valor vazio significa que o Kiro não consegue resolver a URL. Confirme que o mcp.json do escopo do workspace não está sobrepondo sua configuração do escopo do usuário. Verifique se o PAT ainda é válido em Settings, Developer, Access tokens.
Conectado ao MCP, mas as chamadas de ferramentas retornam RESOURCE_DOES_NOT_EXIST ou PERMISSION_DENIED.
É a falha mais comum do caminho A. O handshake initialize funciona com uma URL de exemplo porque o servidor adia a validação do recurso até a invocação. Refaça as verificações prévias do servidor específico (o agente do Genie existe e está compartilhado com você, a função existe e você tem EXECUTE, o índice do AI Search existe e você tem SELECT nele).
O Kiro não usa as habilidades do Databricks (caminho B).
Abra uma nova sessão de chat, já que as habilidades são carregadas quando uma sessão começa, e verifique se databricks-core/SKILL.md existe em ~/.kiro/skills/. Error: unknown agent "kiro" significa que a Databricks CLI é anterior à v1.20.0; atualize-a e execute a instalação de novo. Se o comando da CLI de uma habilidade não conseguir se autenticar, execute databricks auth profiles e faça login novamente com databricks auth login.
Experimente hoje. O Databricks Power é a forma mais rápida de ter toda a plataforma (pipelines, jobs, Lakebase, Agent Bricks e tudo o que foi descrito acima) dentro do Kiro. Instale-o pelo catálogo Kiro Powers em kirodotdev/powers, ou instale as mesmas habilidades sem o Power executando databricks aitools install --agents kiro com a Databricks CLI v1.20.0 ou posterior. Para outros agentes de programação, databricks aitools install detecta os que estão na sua máquina (Claude Code, Cursor, Codex, GitHub Copilot, Gemini CLI e outros); execute databricks aitools --help para ver a lista atual, ou consulte databricks/databricks-agent-skills. Para os quatro servidores MCP gerenciados pelo Databricks, a instalação com um clique está em kiro.dev/docs/mcp/servers/.
Tem feedback ou encontrou algum problema? Abra uma issue: para a configuração ou o empacotamento do Power, kirodotdev/powers; para as habilidades de agente, databricks/databricks-agent-skills; para a Databricks CLI e databricks aitools, databricks/cli. Lemos todas.
Parceiros, Lakebase, Genie, Unity Gateway, Agent Bricks, Unity Catalog, MCP, Developer Tools, AI Search, MLOps & LLMOps e Business Intelligence
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.