원문: Announcing managed MCP servers with Unity Catalog and Mosaic AI Integration

참고 번역 참고: 원래 요청된 URL(/blog/announcing-databricks-mcp-server)은 404로 접근이 불가합니다. 이 문서는 동일 주제의 공식 Databricks 블로그 포스트 “Announcing managed MCP servers with Unity Catalog and Mosaic AI Integration” (2025년 6월 18일)을 번역한 것입니다.

Unity Catalog 및 Mosaic AI 통합으로 관리형 MCP 서버 발표

항목	내용
원문 제목	Announcing managed MCP servers with Unity Catalog and Mosaic AI Integration
저자	Databricks 제품 팀
발행일	2025년 6월 18일
원문 URL	https://www.databricks.com/blog/announcing-managed-mcp-servers-unity-catalog-and-mosaic-ai-integration

개요

MCP(Model Context Protocol)는 최근 몇 달 사이 업계 전반에 걸쳐 큰 주목을 받고 있는 표준으로, LLM(대형 언어 모델)에 도구(tool)를 제공하는 방식을 정의합니다. 이는 중요한 진보입니다. LLM이 행동(action)을 취하기 위해 필요한 맥락(context)을 보다 자연스러운 형태로 공급할 수 있기 때문입니다. Databricks는 MCP를 Unity Catalog 및 Mosaic AI의 강점과 결합하여, 세 가지 요소의 장점을 모두 제공합니다. 에이전트가 행동을 취할 수 있도록 하는 MCP, 에이전트를 빌드하고 평가하기 위한 Mosaic AI, 그리고 거버넌스와 탐색(discovery)을 위한 Unity Catalog 가 하나로 통합됩니다.

관리형 MCP 서버란 무엇인가

Databricks 관리형 MCP 서버(Managed MCP Servers) 는 Unity Catalog에 저장된 데이터, Databricks Vector Search 인덱스, Genie 스페이스, 그리고 커스텀 함수에 AI 에이전트를 연결하는 즉시 사용 가능한(ready-to-use) 서버입니다. Databricks가 제공하는 최초의 관리형 서버 집합은 다음과 같은 방식으로 Databricks의 데이터에 안전하게 접근할 수 있도록 합니다.

Genie — 자연어를 통해 구조화된 데이터를 조회하는 Genie 스페이스
Vector Search — 관련 문서를 찾기 위한 Vector Search 인덱스 쿼리
UC Functions — Unity Catalog 함수를 통한 사전 정의된 SQL 쿼리 실행

이 관리형 MCP 서버들은 엔터프라이즈급 보안 을 염두에 두고 설계되었습니다. 서버는 자동으로 사용자의 권한을 준수하므로, Unity Catalog에서 모든 데이터를 계속 거버넌싱하면서 MCP를 활용할 수 있습니다. 거버넌스를 별도로 관리해야 하는 추가적인 장소가 필요하지 않습니다. 특히 주목할 점은 온-비하프-오브-유저(on-behalf-of-user) 인증 을 기본으로 지원한다는 것입니다. 관리형 MCP 서버는 이미 Unity Catalog에 구축된 거버넌스를 그대로 존중합니다.

사용 가능한 관리형 서버

Databricks가 즉시 사용할 수 있도록 제공하는 MCP 서버는 다음과 같습니다. 온-비하프-오브-유저 인증을 사용하여 관리형 MCP 서버에 연결할 때는, 애플리케이션이 접근해야 하는 각 서버에 대한 OAuth 스코프(scope)를 포함해야 합니다. 아래 표는 각 관리형 MCP 서버의 URL 패턴과 OAuth 스코프를 정리한 것입니다.

MCP 서버	URL 패턴	OAuth 스코프
Vector Search — Databricks 관리형 임베딩을 사용하는 Vector Search 인덱스를 쿼리하여 관련 문서를 탐색	`https://<workspace-hostname>/api/2.0/mcp/vector-search/{catalog}/{schema}/{index_name}`	`vector-search`
Genie Space — 자연어를 사용한 구조화 데이터 분석을 위해 Genie 스페이스를 쿼리. 읽기 전용. 장시간 실행 쿼리의 결과는 폴링(polling) 필요	`https://<workspace-hostname>/api/2.0/mcp/genie/{genie_space_id}`	`genie`
Databricks SQL — Claude Code, Cursor, Codex 등 AI 코딩 도구를 활용한 데이터 파이프라인 작성을 위해 AI 생성 SQL 실행. 읽기/쓰기 지원. 장시간 실행 쿼리의 결과는 폴링 필요	`https://<workspace-hostname>/api/2.0/mcp/sql`	`sql`
Unity Catalog Functions — UC 함수를 사용하여 사전 정의된 SQL 쿼리 실행	`https://<workspace-hostname>/api/2.0/mcp/functions/{catalog}/{schema}/{function_name}`	`unity-catalog`

Unity Catalog의 권한은 항상 적용되므로, 에이전트와 사용자는 자신이 허용된 도구와 데이터에만 접근할 수 있습니다.

MCP 서버 유형

Databricks는 세 가지 범주의 MCP 서버를 제공합니다.

1. 관리형 MCP (Managed MCP)

사전 구성된 MCP 서버를 사용하여 Databricks 기능에 즉시 접근할 수 있습니다. 별도의 설정이나 코딩이 필요하지 않습니다.

2. 외부 MCP (External MCP)

관리형 연결(managed connections)을 통해 Databricks 외부에 호스팅된 MCP 서버에 안전하게 연결할 수 있습니다. Databricks Marketplace에서 큐레이팅된 외부 MCP 서버를 설치하거나, Unity Catalog HTTP 연결을 통해 커스텀 MCP 서버를 구성할 수 있습니다.

3. 커스텀 MCP (Custom MCP)

Databricks Apps를 사용하여 커스텀 MCP 서버를 직접 호스팅할 수 있습니다. Databricks Apps는 에이전트를 실제 서비스로 구현하는 데 필요한 OAuth 기본 지원, Git 기반 배포, 권한 및 거버넌스 가 내장되어 있습니다. Databricks의 서버리스 인프라 위에서 동작하기 때문에, 에이전트의 사용량이 늘어나더라도 확장성에 대해 걱정할 필요가 없습니다.

MCP 사용 방법

MCP는 동적으로 사용 가능한 도구를 탐색하고, 어떤 도구를 호출할지 결정하며, 출력을 해석하는 LLM과 함께 사용하도록 설계되었습니다. MCP 서버를 사용하는 에이전트를 구축할 때 Databricks가 권장하는 세 가지 원칙이 있습니다. 첫째, 도구 이름을 하드코딩하지 마십시오. Databricks가 새로운 기능을 추가하거나 기존 기능을 수정함에 따라 사용 가능한 도구 집합이 변경될 수 있습니다. 에이전트는 런타임에 도구를 나열(list tools)함으로써 동적으로 탐색해야 합니다. 둘째, 도구 출력을 프로그래밍 방식으로 파싱하지 마십시오. 도구 출력 형식은 안정성이 보장되지 않습니다. LLM이 도구 응답에서 정보를 해석하고 추출하도록 하십시오. 셋째, LLM이 결정하도록 하십시오. 에이전트의 LLM은 사용자의 요청과 MCP 서버가 제공하는 도구 설명을 기반으로 어떤 도구를 호출할지 결정해야 합니다. 이러한 방식을 따르면, 코드 변경 없이도 MCP 서버 개선 사항으로부터 에이전트가 자동으로 혜택을 받을 수 있습니다.

AI Playground에서의 MCP 프로토타이핑

AI Playground 는 코드를 작성하기 전에 MCP를 활용한 에이전트를 프로토타이핑할 수 있는 안전한 환경입니다. 도구가 활성화된(Tools enabled) LLM을 선택한 후 Tools 드롭다운을 사용하면, 관리형 서버나 Databricks Apps를 통한 커스텀 서버 모두 쉽게 테스트해 볼 수 있습니다. 이를 통해 에이전트 로직과 MCP 서버 연동을 실제 코드 배포 전에 빠르게 검증할 수 있습니다.

시나리오 예시: 고객 지원 에이전트

여러 관리형 MCP 서버에 연결된 고객 지원 에이전트를 예로 들어보겠습니다.

Vector Search: https://<workspace-hostname>/api/2.0/mcp/vector-search/prod/customer_support
- 지원 티켓 및 문서를 검색
Genie Space: https://<workspace-hostname>/api/2.0/mcp/genie/{billing_space_id}
- 청구 데이터 및 고객 정보 조회
UC Functions: https://<workspace-hostname>/api/2.0/mcp/functions/prod/billing
- 계정 조회 및 업데이트를 위한 커스텀 함수 실행

이를 통해 에이전트는 비정형 데이터(지원 티켓), 구조화 데이터(청구 테이블), 그리고 커스텀 비즈니스 로직에 모두 접근할 수 있게 됩니다.

로컬 개발 환경에서 시작하기

Databricks MCP 서버에 연결하는 방법은 다른 원격 MCP 서버에 연결하는 방식과 유사합니다. MCP Python SDK와 같은 표준 SDK를 사용할 수 있습니다. 주요 차이점은 Databricks MCP 서버가 기본적으로 보안이 적용되어 있으며, 클라이언트가 인증을 지정해야 한다는 것입니다. databricks-mcp Python 라이브러리는 커스텀 에이전트 코드에서 인증을 단순화하는 데 도움을 줍니다.

환경 설정

먼저 워크스페이스에 OAuth로 인증합니다.

databricks auth login --host https://<your-workspace-hostname>

그런 다음 필요한 패키지를 설치합니다.

pip install -U "mcp>=1.9" "databricks-sdk[openai]" "mlflow>=3.1.0" "databricks-agents>=1.0.0" "databricks-mcp"

연결 테스트

아래 코드로 MCP 서버와의 연결을 검증하고, 사용 가능한 Unity Catalog 도구를 나열해 볼 수 있습니다.

from databricks_mcp import DatabricksMCPClient
from databricks.sdk import WorkspaceClient

# TODO: Databricks CLI 프로파일 이름으로 교체하세요
databricks_cli_profile = "YOUR_DATABRICKS_CLI_PROFILE"
workspace_client = WorkspaceClient(profile=databricks_cli_profile)
workspace_hostname = workspace_client.config.host
mcp_server_url = f"{workspace_hostname}/api/2.0/mcp/functions/system/ai"

def test_connect_to_server():
    mcp_client = DatabricksMCPClient(
        server_url=mcp_server_url,
        workspace_client=workspace_client
    )
    tools = mcp_client.list_tools()
    print(
        f"MCP 서버 {mcp_server_url}에서 발견된 도구: {[t.name for t in tools]}"
    )
    result = mcp_client.call_tool(
        "system__ai__python_exec", {"code": "print('Hello, world!')"}
    )
    print(f"system__ai__python_exec 도구 호출 결과: {result.content}")

if __name__ == "__main__":
    test_connect_to_server()

에이전트 배포하기

관리형 MCP 서버에 연결하는 에이전트를 배포할 준비가 되면, 로깅 시점에 에이전트에 필요한 모든 리소스를 지정해야 합니다. 예를 들어 에이전트가 아래의 MCP 서버 URL을 사용하는 경우, prod.customer_support 및 prod.billing 스키마의 모든 벡터 검색 인덱스와 prod.billing의 모든 Unity Catalog 함수를 지정해야 합니다.

https://<your-workspace-hostname>/api/2.0/mcp/vector-search/prod/customer_support
https://<your-workspace-hostname>/api/2.0/mcp/vector-search/prod/billing
https://<your-workspace-hostname>/api/2.0/mcp/functions/prod/billing

databricks_mcp.DatabricksMCPClient().get_databricks_resources(<server_url>) 를 사용하면 관리형 MCP 서버에 필요한 리소스를 자동으로 가져올 수 있습니다.

컴퓨팅 가격

MCP 서버 유형에 따라 다른 가격 정책이 적용됩니다.

MCP 서버 유형	가격 정책
커스텀 MCP (Databricks Apps 호스팅)	Databricks Apps 가격
Unity Catalog 함수	서버리스 일반 컴퓨팅 가격
Genie 스페이스	서버리스 SQL 컴퓨팅 가격
Databricks SQL 서버	Databricks SQL 가격
Vector Search 인덱스	Vector Search 가격

이 표에서 각 MCP 서버 유형마다 서로 다른 컴퓨팅 리소스가 소비됨을 알 수 있습니다. 에이전트 설계 시 비용 구조를 고려하여 적합한 서버 유형을 선택하는 것이 중요합니다.

예제 노트북: Databricks MCP 서버를 활용한 에이전트 구축

Databricks는 관리형 MCP 서버를 활용하는 LangGraph 및 OpenAI 에이전트 구축 방법을 보여주는 예제 노트북을 제공합니다.

LangGraph MCP 도구 호출 에이전트: LangGraph 프레임워크를 사용한 MCP 도구 호출 에이전트
OpenAI MCP 도구 호출 에이전트: OpenAI API를 사용한 MCP 도구 호출 에이전트
Agents SDK MCP 도구 호출 에이전트: Databricks Agents SDK를 활용한 MCP 도구 호출 에이전트

현재 상태 및 향후 계획

Databricks 관리형 MCP 서버는 현재 베타(Beta) 상태입니다. 향후 Databricks는 다음 방향으로 기능을 확장할 계획입니다.

DBSQL 등 더 많은 Databricks 리소스 유형에 대한 관리형 서버 지원 확대
다른 기업 및 서비스가 제공하는 MCP 서버를 관리, 탐색, 거버닝할 수 있는 카탈로그 지원 구축

참고 관련 문서

Databricks 블로그 번역

​Unity Catalog 및 Mosaic AI 통합으로 관리형 MCP 서버 발표

​개요

​관리형 MCP 서버란 무엇인가

​사용 가능한 관리형 서버

​MCP 서버 유형

​1. 관리형 MCP (Managed MCP)

​2. 외부 MCP (External MCP)

​3. 커스텀 MCP (Custom MCP)

​MCP 사용 방법

​AI Playground에서의 MCP 프로토타이핑

​시나리오 예시: 고객 지원 에이전트

​로컬 개발 환경에서 시작하기

​환경 설정

​연결 테스트

​에이전트 배포하기

​컴퓨팅 가격

​예제 노트북: Databricks MCP 서버를 활용한 에이전트 구축

​현재 상태 및 향후 계획