Fabric MCP сервер

Комплексный Python-based MCP сервер для работы с Microsoft Fabric API, с продвинутыми возможностями разработки, тестирования и оптимизации PySpark ноутбуков с интеграцией LLM.

Установка

Из исходников

git clone https://github.com/your-repo/fabric-mcp.git
cd fabric-mcp
uv sync
pip install -r requirements.txt

MCP Inspector

uv run --with mcp mcp dev fabric_mcp.py

HTTP сервер

uv run python .\fabric_mcp.py --port 8081

Конфигурация

VSCode STDIO интеграция

{
    "mcp": {
        "servers": {
            "ms-fabric-mcp": {
                "type": "stdio",
                "command": "<FullPathToProjectFolder>\\.venv\\Scripts\\python.exe",
                "args": ["<FullPathToProjectFolder>\\fabric_mcp.py"]
            }
        }
    }
}

VSCode HTTP интеграция

{
    "mcp": {
        "servers": {
            "ms-fabric-mcp": {
                "type": "http",
                "url": "http://<localhost or remote IP>:8081/mcp/",
                "headers": {
                    "Accept": "application/json,text/event-stream"
                }
            }
        }
    }
}

Доступные инструменты

Инструмент	Описание
`list_workspaces`	Показать все доступные Fabric рабочие пространства
`set_workspace`	Установить текущий контекст рабочего пространства для сессии
`list_lakehouses`	Показать все lakehouse в рабочем пространстве
`create_lakehouse`	Создать новый lakehouse
`set_lakehouse`	Установить текущий контекст lakehouse
`list_warehouses`	Показать все хранилища в рабочем пространстве
`create_warehouse`	Создать новое хранилище
`set_warehouse`	Установить текущий контекст хранилища
`list_tables`	Показать все таблицы в lakehouse
`get_lakehouse_table_schema`	Получить схему для конкретной таблицы
`get_all_lakehouse_schemas`	Получить схемы для всех таблиц в lakehouse
`set_table`	Установить текущий контекст таблицы
`get_sql_endpoint`	Получить SQL endpoint для lakehouse или хранилища
`run_query`	Выполнить SQL запросы
`load_data_from_url`	Загрузить данные из URL в таблицы

Возможности

Управление рабочими пространствами, lakehouse, хранилищами и таблицами
Получение схем и метаданных Delta таблиц
Выполнение SQL запросов и загрузка данных
Операции с отчетами и семантическими моделями
Интеллектуальное создание ноутбуков с 6 специализированными шаблонами
Умная генерация кода для типовых PySpark операций
Комплексная валидация с проверкой синтаксиса и лучших практик
Fabric-специфичные оптимизации и проверки совместимости
Анализ производительности с оценкой и рекомендациями по оптимизации
Мониторинг в реальном времени и аналитика выполнения

Примеры использования

List all my Fabric workspaces

Create a PySpark notebook that reads sales data, cleans it, and optimizes performance

My PySpark notebook is slow. Help me optimize it.

Ресурсы

GitHub Repository

Примечания

Требует Azure аутентификацию (az login --scope https://api.fabric.microsoft.com/.default). Включает 6 специализированных PySpark шаблонов: basic, etl, analytics, ml, fabric_integration и streaming. Предоставляет оценку производительности (0-100) и детальные рекомендации по оптимизации. Поддерживает как STDIO, так и HTTP режимы коммуникации.