Claude Code 工作流（二）：Claude Code × Databricks

这是「Claude Code 工作流」系列第二篇，对应 deck 的 Part 2（第 09-12 页）。下方嵌入了可交互的完整 deck，按方向键翻页，按 O 出缩略图多任务视图。

移动端 iframe 体验有限，可点此全屏查看 deck。

P09 · Part 2 目录：Claude Code × Databricks

Part 2 共 3 节：2.1 两种连接方式对比 + 选型 / 2.2 测试工作流（Jobs 模式）/ 2.3 实战示例。

核心问题：Claude Code 怎么连 Databricks？答案是——不要走第三方 MCP Server，直接用官方 CLI + markdown Skills。

P10 · 2.1 两种连接方式对比 + 选型结论

方式一：远程 MCP Server

架构：Claude ⇄ MCP 协议 ⇄ 第三方 Server ⇄ Databricks API

依赖：找/装第三方 Server
能力：受限于 Server 暴露的工具
拓展：改 Server 源码重启
Azure 中国：看社区实现，不一定可用

方式二：本地 CLI + Skills ✓（选型结论）

架构：Claude ⇄ Bash ⇄ databricks CLI ⇄ Databricks API

依赖：官方 CLI + markdown Skills
能力：全 CLI 子命令 + REST
拓展：直接调子命令
Azure 中国：官方原生支持

配合的 skill

databricks-core — 日常 CLI 操作、auth、profile、bundle
databricks-pipelines — Lakeflow Spark Declarative Pipelines（原 DLT）
ddl-to-data-dictionary — DDL 翻数据字典

选型结论：本地 CLI + Skills

四个理由：

官方维护 — 不靠第三方，能力全集
Azure 中国 endpoint 原生适配 — 不用等社区实现
加新能力直接调子命令 — 不改 Server 源码
调试链路短 — 报错直接可见，不经过 MCP 协议层

远程 MCP Server 不是不能用，而是「能用多少看 Server 暴露多少」——这个不确定性对工作流是硬伤。

P11 · 2.2 测试工作流（Jobs 模式）

9 步闭环 · 不动现有 jobs 编排

1. export 云上 .py    →   2. Claude 改   →   3. import 回云
                                                       ↓
6. export-run    ←   5. run-now    ←   4. 建临时 job
       ↓
7. 解码 base64  →   8. Claude 分析   →   9. 回到 2 ↻

详细步骤：

用户 export 云上 .py — 从 Databricks workspace 导出 notebook
Claude 改本地 .py — 在 workspace 编辑，迭代逻辑
用户 import 回云 — 把改好的 .py 导回 workspace
建临时 job — 不动现有 jobs 编排，新建一个临时 job 跑测试
Claude jobs run-now — 触发 job
Claude jobs export-run — 抓取执行结果
Claude 解码 base64+URL — export-run 输出是 base64+URL 编码
Claude 自主分析 — 看 stdout/stderr、数据样本、schema
回到步骤 2 — 根据结果迭代，循环往复

踩坑点

get-run-output 只收 dbutils.notebook.exit() — 想拿完整 cell 输出要用 export-run
Azure 中国禁 /api/1.2/commands 端点 — 不能用旧版 commands API
输出是 base64+URL 双重编码 — 解码两层才能拿到可读文本

规则

不动现有 jobs 编排
不跑 workspace import/export（用户手动操作）
用 all-purpose cluster（不用 SQL Warehouse）
临时 job 跑完即弃

P12 · 2.3 实战示例（2026-07-29）

test job 配置

job_id: 10761020612585
notebook: /Shared/powerlink_warehouse/other/test
cluster: all-purpose
2 cells: Python + SQL

执行结果 · 全链路通

✅ 18 秒跑完，无报错
✅ Python cell 设参数成功
✅ SQL cell 返回数据
✅ export-run 拿到全 cell
✅ base64+URL 解码成可读文本
✅ stdout / stderr 分离提取

自主抓取数据

Cell 0 (Python) — 设参数：

1	spark.conf.set("param.bizdate", "20260707")

Cell 1 (SQL) — 查数据：

select * from powerlink_prod.pw_ads.
  ads_pw_credit_metric_df
where dt='${param.bizdate}'
limit 10

结果：10 行 × 68 列完整数据，含 sap_code / company_name / company_paydex 等。

Claude 自主迭代

拿到数据后 Claude 不只是看一眼就完，会自主推断：

dt 是分区列 → 自动加 where 条件避免全表扫描
sap_code → 推断 SAP 主数据关联
10 行样本看 schema，不拉全量（省 token、省时间）

这个「样本看 schema，不拉全量」的能力是 9 步闭环的价值——Claude 不需要人告诉它怎么看数据，它自己会推断。

下一篇：Claude Code 工作流（三）：内置功能 — agents view + /insights — 一屏管理所有后台会话的状态体系，历史会话分析报告的正确用法与常见误区。

回到本专栏首页：Claude Code 使用分享。