Databricks Vector Search MCP サーバーのメタ パラメーター

Databricks マネージド ベクター検索 MCP サーバーを使用する AI エージェントを構築する場合は、 _meta パラメーターを使用して、検索フィルターを返して適用する結果の最大数などのツールの動作を決定論的に制御します。

主な利点は、エージェントが動的に生成するための実際の検索クエリの柔軟性を維持しながら、検索動作 (結果の制限やフィルターなど) を事前設定できることです。

_meta パラメーターは、公式の MCP 仕様の一部です。

ツール呼び出し引数と _meta パラメーター

Vector Search MCP サーバーは、次の 2 つの方法でパラメーターを処理します。

• ツール呼び出し引数: 通常、ユーザー入力に基づいて LLM によって動的に生成されるパラメーター
• _meta パラメーター: エージェント コードで事前設定して検索動作を確定的に制御できる構成パラメーター

サポートされている _meta パラメーター

ベクター検索では、次の _meta パラメーターがサポートされています。

これらのパラメーターの詳細については、 Vector Search Python SDK のドキュメントを参照してください。

例: ベクター検索を取得するための最大結果とフィルターを構成する

この例では、 _meta パラメーターを使用してベクター検索の動作を制御し、AI エージェントからの動的クエリを許可する方法を示します。 公式の Python MCP SDK を使用します。

このシナリオでは、次の操作を行います。

• 常に検索結果を 3 つの項目に制限して、一貫した応答時間を実現する
• 関連性を確保するために、最近のドキュメント (2024-01-01 以降に更新) のみを検索します
• 純粋ベクター検索よりも精度を高めるハイブリッド検索を使用する
• 特定の列 (ID、テキスト、メタデータ) のみを返します
• 結果に類似性スコアを含める
• 類似性スコアが 0.5 未満の結果を除外する
• テキスト列とタイトル列の再ランク付けを使用して関連性を向上させる

この例を実行するには、 マネージド MCP 開発用に Python 環境を設定します。

# Import required libraries for MCP client and Databricks authentication
import asyncio
from databricks.sdk import WorkspaceClient
from databricks_mcp.oauth_provider import DatabricksOAuthClientProvider
from mcp.client.streamable_http import streamablehttp_client
from mcp.client.session import ClientSession
from mcp.types import CallToolRequest, CallToolResult

async def run_vector_search_tool_call_with_meta():
    # Initialize Databricks workspace client for authentication
    workspace_client = WorkspaceClient()

    # Construct the MCP server URL for your specific catalog and schema
    # Replace <workspace-hostname>, YOUR_CATALOG, and YOUR_SCHEMA with your values
    mcp_server_url = "https://<workspace-hostname>/api/2.0/mcp/vector-search/YOUR_CATALOG/YOUR_SCHEMA"

    # Establish connection to the MCP server with OAuth authentication
    async with streamablehttp_client(
        url=mcp_server_url,
        auth=DatabricksOAuthClientProvider(workspace_client),
    ) as (read_stream, write_stream, _):

        # Create an MCP session for making tool calls
        async with ClientSession(read_stream, write_stream) as session:
            # Initialize the session before making requests
            await session.initialize()

            # Create the tool call request with both dynamic and preset parameters
            request = CallToolRequest(
                method="tools/call",
                params={
                    # Tool name follows the pattern: CATALOG__SCHEMA__INDEX_NAME
                    "name": "YOUR_CATALOG__YOUR_SCHEMA__YOUR_INDEX_NAME",

                    # Dynamic arguments - typically provided by your AI agent or user input
                    "arguments": {
                        "query": "How do I reset my password?"  # This comes from your agent
                    },

                    # Meta parameters - preset configuration to control search behavior
                    "_meta": {
                        "num_results": "3",  # Limit to 3 results for consistent performance
                        "filters": '{"updated_after": "2024-01-01"}',  # JSON string for date filtering
                        "query_type": "HYBRID",  # Use hybrid search for better relevance
                        "columns": "id,text,metadata",  # Return only specific columns
                        "score_threshold": "0.5",  # Filter out results with similarity score < 0.5
                        "include_score": "true",  # Include similarity scores in results
                        "columns_to_rerank": "text,title"  # Use reranker on these columns for better quality
                    }
                }
            )

            # Send the request and get the response
            response = await session.send_request(request, CallToolResult)
            return response

# Execute the async function and get results
response = asyncio.run(run_vector_search_tool_call_with_meta())

次のステップ

• Databricks マネージド MCP サーバー