Unity AI Gateway: Come Collegare Agenti a MCP Esterni in Modo Sicuro

Nell'ambito della Settimana degli Agenti, i clienti possono ora gestire modelli, MCP e strumenti tramite Databricks Unity AI Gateway, completamente integrato con Unity Catalog. Per fornire un valore reale, gli agenti devono poter accedere in modo sicuro a strumenti esterni come GitHub, Glean e Atlassian. Unity AI Gateway rende questo processo semplice e sicuro, in modo che i team possano concentrarsi sulla creazione di agenti, non sull'infrastruttura di autenticazione.

In questo post, ti guideremo attraverso la connessione di un server MCP esterno e il deployment di un agente end-to-end, in modo che tu possa creare agenti consapevoli del contesto che ragionano e agiscono sui tuoi dati.

Il problema: Autenticazione dei server MCP esterni

Gli agenti AI sono potenti solo quanto gli strumenti a cui possono accedere. Il Model Context Protocol (MCP) fornisce un modo universale per scoprire e interagire con tali strumenti, e su Databricks, le aziende lo utilizzano già per connettere agenti con MCP nativi ed esterni.

Ancora e ancora, i clienti ci dicono la stessa cosa: l'autenticazione è il collo di bottiglia. Ogni provider ha la propria registrazione dell'app OAuth, i propri segreti client, la propria logica di refresh dei token. I segreti devono essere ruotati, le autorizzazioni devono essere controllate e non esiste un modo centralizzato per tracciare quali agenti accedono a cosa. Ciò che dovrebbe richiedere minuti richiede settimane.

La soluzione: Unity AI Gateway per la connettività esterna

Unity AI Gateway risolve questo problema fornendo ai team un modo unico e governato per connettere gli agenti a sistemi esterni:

• Governa i server MCP esterni tramite Unity Catalog: Ogni server MCP esterno è registrato in Unity Catalog, rendendolo ricercabile e governato come qualsiasi altro oggetto del catalogo. Gli amministratori possono applicare autorizzazioni granulari, con tutte le attività catturate in una tabella di audit centralizzata. I team possono anche installare server MCP da partner tramite Databricks Marketplace.
• Accedi per conto dell'utente: Gli agenti agiscono per conto dell'utente finale, quindi l'agente dell'Utente A vede solo ciò che l'Utente A è autorizzato a vedere. Ciò significa che gli agenti possono accedere in modo sicuro a e-mail personali, repository privati e documenti riservati senza account di servizio sovra-autorizzati. Gli amministratori possono limitare ulteriormente ciò che gli agenti possono fare delimitando le autorizzazioni OAuth per connessione, come limitare una connessione GitHub all'accesso in sola lettura ai repository.
• Semplifica l'autenticazione ai sistemi esterni: I flussi OAuth gestiti semplificano l'autenticazione, senza necessità di registrare app OAuth o gestire segreti per provider. Scegli da un menu a discesa e Databricks gestisce l'intero ciclo di vita dell'autenticazione lato server. I provider supportati oggi includono Glean, GitHub, Atlassian (Jira e Confluence), Google Drive e SharePoint, con altri in arrivo.
• Funziona su cloud e provider: La stessa esperienza di governance e autenticazione sia che tu esegua Databricks su AWS, Azure o GCP, con supporto preconfigurato per provider di terze parti come GitHub, Glean e Atlassian.

Come funziona

Vediamo come connettere GitHub come server MCP esterno e portarlo fino a un agente deployato.

Passaggio 1. Crea la connessione.

• Vai su AI Gateway → Registra Server MCP -> MCP Esterno
• Seleziona la modalità di autenticazione: OAuth per Utente (consigliato — ogni utente si autentica con la propria identità) o Principal Condiviso (identità singola per tutti gli utenti)
• Scegli GitHub dal menu a discesa dei provider
• Crea. Databricks gestisce la registrazione dell'app OAuth, lo scambio di token e il refresh in background

Passaggio 2. Testala. Puoi convalidare la connessione in due modi. In AI Playground, seleziona un modello con strumenti abilitati, sfoglia le tue connessioni MCP esterne, scegli GitHub e chiedi "Quali sono le pull request aperte nel repository X?"

Oppure testa direttamente nel codice usando DatabricksMCPClient:

Passaggio 3. Deploy del tuo agente. Una volta convalidato, effettua il deployment con Agent Bricks.

Passaggio 4. Monitoraggio e tracciamento. Una volta che il tuo agente è attivo, MLflow Tracing ti offre visibilità end-to-end: ogni richiesta, ogni chiamata allo strumento, ogni interazione con il server MCP, con input e output completi. Combina con i log di audit di Unity Catalog per vedere chi ha avuto accesso a cosa, quando e tramite quale agente.

Inizia ora

Non lasciare che l'autenticazione sia il motivo per cui i tuoi agenti non riescono a raggiungere gli strumenti di cui hanno bisogno. Inizia a creare agenti che ragionano e agiscono sia su dati interni che esterni. Inizia oggi stesso.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale