Documentation Index
Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
Use this file to discover all available pages before exploring further.
Claude Code는 단순한 코드 어시스턴트를 넘어, Databricks CLI·REST API·MCP 서버를 통해 워크스페이스와 직접 통신할 수 있습니다. 이 페이지에서는 일상적인 데이터/AI 워크로드에서 Claude Code를 활용하는 패턴을 다룹니다.
Databricks CLI 연계
가장 단순한 통합은 databricks CLI를 Claude가 직접 호출하는 방식입니다.
인증 설정
databricks auth login --host https://<workspace>.azuredatabricks.net
# 또는 OAuth 프로필
databricks configure --profile myws
자주 사용하는 패턴
스키마 탐색
> databricks api get /api/2.1/unity-catalog/schemas?catalog_name=main 결과를 보고
schema 목록을 표로 정리해줘
> databricks bundle run my_etl_job 실행한 뒤,
완료될 때까지 대기하고 실패면 로그에서 에러 라인을 추출해줘
> /tmp/data.parquet 파일을 /Volumes/main/raw/uploads에 올리고,
업로드 후 LIST로 확인해줘
Databricks MCP 서버 — 더 강력한 통합
Databricks는 공식 MCP(Model Context Protocol) 서버를 통해 Claude Code에 풍부한 도구를 노출합니다. CLI보다 표현력이 좋고, JSON 파싱 없이 구조화된 응답을 받을 수 있습니다.
~/.claude/settings.json에 추가:
{
"mcpServers": {
"databricks": {
"command": "uvx",
"args": ["databricks-mcp"],
"env": {
"DATABRICKS_HOST": "https://<workspace>",
"DATABRICKS_CONFIG_PROFILE": "myws"
}
}
}
}
claude 재시작.
주요 MCP 도구
| 도구 | 용도 |
|---|
execute_sql | DBSQL Warehouse에서 SQL 직접 실행. 결과를 표로 받음 |
get_table_stats_and_schema | 테이블의 스키마·행 수·컬럼 통계를 한 번에 |
manage_jobs / manage_job_runs | 잡 생성·실행·상태 조회 |
manage_pipeline | Lakeflow 파이프라인 제어 |
manage_volume_files | Volume 파일 CRUD |
query_vs_index | Vector Search 인덱스 질의 |
manage_uc_objects | 카탈로그·스키마·테이블 관리 |
manage_app | Databricks Apps 배포·관리 |
ask_genie | Genie Space에 자연어 질문 |
실제 사용 예
테이블 스키마 검토와 SQL 작성
> main.sales.transactions의 스키마와 샘플을 확인하고,
지난 30일간 매출 상위 10개 카테고리를 추출하는 SQL을 작성해서 실행해줘
get_table_stats_and_schema로 스키마 확인- SQL 작성
execute_sql로 실행- 결과를 정리해 표시
잡 실패 디버깅
> 마지막으로 실행된 etl_daily 잡의 결과를 확인하고,
실패면 어느 태스크에서 어떤 에러로 실패했는지 알려줘
Databricks 관련 Skills
Claude Code는 도메인별 Skills(가이드 + 코드 템플릿 묶음)를 통해 더 정교한 작업을 수행합니다. Databricks 환경에서 자주 쓰는 스킬:
| 스킬 | 무엇을 해주나 |
|---|
databricks-apps | React + FastAPI Databricks App 스캐폴드와 배포 |
databricks-asset-bundles | DAB 프로젝트 생성, 다중 환경 구성 |
databricks-genie | Genie Space 빌드, 의미 모델 작성 |
databricks-aibi-dashboards | Lakeview 대시보드 생성 + SQL 검증 |
databricks-ai-functions | ai_classify, ai_extract 등 AI 함수 활용 |
databricks-vector-search | RAG 인덱스 구축, 하이브리드 검색 |
databricks-mlflow-evaluation | MLflow GenAI 평가 파이프라인 |
databricks-spark-declarative-pipelines | Lakeflow 선언적 파이프라인 |
databricks-iceberg | Managed/External Iceberg 테이블 운용 |
/<스킬명>)하거나, 트리거 키워드 기반으로 자동 활성화됩니다.
사용 예
> /databricks-apps
> Lakebase + RAG로 사내 검색 앱 만들어줘. 업로드한 PDF를 청킹해서
Vector Search 인덱스에 넣고, 사용자가 질문하면 답변과 출처를 보여주는 형태.
노트북 vs Claude Code — 언제 어느 쪽?
| 작업 | 적합한 도구 |
|---|
| 데이터 탐색·시각화 | Databricks Notebook |
| 모델 학습 (긴 실행) | Notebook 또는 Job |
| 스크립트화·재사용 가능한 ETL | Claude Code → DAB |
| 앱 빌드 / IaC | Claude Code |
| 일회성 SQL 분석 | Notebook 또는 DBSQL Editor |
| 다단계 자동화 (예: “잡 실행 → 실패 분석 → JIRA 티켓”) | Claude Code |
일반 원칙: 데이터를 보고 싶을 때는 노트북, 코드를 짜고 시스템을 조립할 때는 Claude Code.
실전 워크플로우 — 풀스택 Databricks App 만들기
1단계: 스캐폴드
> /databricks-apps
> 매출 대시보드 앱을 만들고 싶어. UC 테이블 main.sales.transactions를
소스로 쓰고, 일별 매출 추이와 상위 카테고리를 보여주는 React 앱.
2단계: 백엔드 라우트
스캐폴드 후 FastAPI에 엔드포인트 추가:
> /api/sales/daily 라우트 추가해줘.
서비스 프린시플 OAuth로 SQL Warehouse에 연결하고
지난 N일 매출을 반환. N은 쿼리 파라미터.
3단계: 프론트 컴포넌트
> Recharts로 일별 매출 라인 차트 컴포넌트 추가하고,
로딩 상태와 에러 핸들링도 같이.
4단계: 로컬 테스트
> 로컬에서 백엔드(uvicorn)와 프론트(npm run dev)를 동시에 실행하고,
/api/sales/daily?days=7 호출해서 응답 형식 확인해줘
5단계: 배포
> databricks apps deploy로 배포하고, 배포 후 로그 확인해서
에러 없이 시작됐는지 체크해줘
주의 사항 — 워크스페이스 검증 필수
작업 전에 반드시 확인:
- 올바른 워크스페이스:
databricks current-user me로 자신이 어느 워크스페이스에 연결됐는지 확인
- 권한 확인: 카탈로그 쓰기 권한이 있는지 미리 점검
- 시크릿 격리: PAT나 OAuth 시크릿을 평문 코드에 두지 말 것 — Databricks Secrets 또는 환경 변수 사용
“잘못된 환경에 데이터를 넣거나, 확인 없이 바로 구현에 들어가서 시간을 낭비하지 않는다.” — 작업 전 검증 원칙
다음 단계
다음 페이지에서 자동화와 후크를 다룹니다.