Databricks Genie 插件进聊天框:同一轮对照公开评论

Databricks Genie 插件 11 月 11 日进四个聊天客户端;实测同一轮里问内部指标,再拉五个公开源的评论做对照,附真实往返与价格。

手绘插图:黑底上左右两件纸白剪纸对撞。左边一台方形机器,屏上一颗大黄色四角星,代表公司内部数据;右边一摞带星级的评论卡,最上一张划了黄线,代表公开评论。两件之间一条黄色点线穿过中央一个小圆环,表示同一轮对话把内外两边接到一起。

Databricks 在 2026 年 11 月 11 日把 Genie 插件送进了四个聊天客户端——ChatGPT、Claude、Microsoft Copilot Cowork、Grok Bot——让这些 agent 直接问公司在 Databricks 里治理过的内部数据(Databricks 博客、AWS 11 月发布说明)。在同一个对话框里,你还可以挂一个标准 MCP 服务器把公开数据接进来:我们在 2026-11-17 00:29(新加坡时间,SGT)用 EveryInfra 的远程 MCP 做了一次真实往返,一条命令拉回 Notion 在 App Store 的最新评论,接口返回 20 条、charged_usd 为 $0.001389。同一款产品,当天五个公开评论源给的分数从 1.93 到 4.77 彼此矛盾,只看一个源就会把"为什么"判错。

把这件事画成一句话:左边一张桌子上是公司内部治理过的数,右边一张桌子上是公开评论,聊天里的一次问答把两张桌子连起来。内部数回答"掉了多少",公开评论回答"用户为什么不满"。聊天插件把左桌的内部数接进来,缺的是右桌那半边——在同一轮对话里把公开评论作为对照一起拉回来。

等距插图:左边一张桌子上立着一台亮着四角星的机器,机器前摆着一块干净的指标牌,代表公司内部治理过的数据;右边一张桌子上摊着一叠评论卡片,星级高低不一,有的划了黄线,代表公开评论;两张桌子之间由一条点线相连,表示同一轮对话把内外两边接到一起。

Databricks Genie 插件是什么:2026-11-11 进了四个聊天客户端

Databricks 的说法是,agent 在回答业务问题前需要一张"业务地图",否则它会在一堆数据源之间乱走、撞上错误的答案(Databricks 博客)。这张地图叫 Genie Ontology,是 Databricks 里的治理语义层,把确定的指标定义和从企业资产里学到的关系合在一起,2026-11-11 转为正式版(Genie Ontology GA 公告、产品页)。Genie 插件做的事,就是把这张地图搬进你团队已经在用的聊天 agent。

Databricks 把这件事的来由讲得很具体:你问一个前沿 agent 关于业务的问题,它会启动一次实时搜索,在几个 MCP 服务器之间跳来跳去、打开一个文档、读一个表结构、试一张表、退出来再试另一张,因为它不知道对的答案在哪,只能在组织的数据里近乎随机地走一圈(Databricks 博客)。Genie 插件要解决的就是这个乱走的问题——先给 agent 一张业务地图,让它知道"净营收"是哪个定义、该去哪张表,再动手。这张地图越准,内部那一侧的答案越稳,也越值得在同一轮里配上外部的公开评论。

四个客户端各有入口。ChatGPT 的插件在 OpenAI 商务插件页,Claude 的连接器在 Claude 市场,Grok Bot 的插件在 x.ai,Microsoft Copilot Cowork 的插件在 微软应用市场。发布说明把时间写到了日:连接 ChatGPT、连接 Claude、连接 Grok Bot/Cursor 三条都标 2026-11-11,允许 ChatGPT 和 Claude 作为合作平台进入基于上下文的入站策略标 2026-11-10(11 月发布说明)。

四个插件的连接方式是一致的:管理员先在工作区把插件发布出来,然后每个用户点"连接",被重定向后用自己的 Databricks 账号登录(Genie One MCP 文档"插件"一节)。文档写明这些插件用的是默认 OAuth 应用,所以管理员不需要自己建 OAuth 应用。Azure 一侧的 Copilot Cowork 插件要求 Microsoft 365 Copilot 许可证和启用了 Genie One 的工作区,连接时填工作区主机名、用 Microsoft Entra ID 账号登录,而且每个用户建自己的连接、不能共用(Azure Databricks Genie 插件文档)。

截图:Databricks 博客"Bring your business context to ChatGPT, Claude, Microsoft Copilot Cowork and Grok Bot"的开头,标题下一行用青绿框标出"These plugins work natively today in ChatGPT, Claude, Microsoft Copilot Cowork and Grok Bot"。
Databricks 2026-11-11 的发布博客原文,青绿框是本文引用的那句。 Databricks 博客

四个客户端的入口虽然一致,细节上各有要注意的地方。ChatGPT 一侧,管理员在工作区设置里进"插件",搜"Databricks Genie",从模板建草稿、填 Databricks 工作区地址、发布;用户再在插件页点连接、登录(Genie One MCP 文档)。Claude 一侧叫"连接器",由团队管理员连好,用户各自登录。Grok Bot/Cursor 一侧,由 Cursor 团队管理员发布插件、每个用户用 Databricks 账号登录(11 月发布说明)。Copilot Cowork 一侧要先有 Microsoft 365 Copilot 许可证,连接时填工作区主机名、用 Entra ID 登录,且每个用户只能用自己的连接。差别看起来小,但它决定了"谁能在聊天里问到内部数"这件事由哪一方的管理员把关。

这些时间点挤在很短的几天里,值得把日期理一遍。2026-11-09,Databricks 的 Slack 应用和 Microsoft Teams 应用转正式版,Genie Search 也转正式版;2026-11-10,允许 ChatGPT 和 Claude 作为合作平台进入入站策略,Genie One 的 Chrome 新标签页扩展进 Beta;2026-11-11,四个聊天插件上线、Genie Ontology 和 Pages 转正式版、Genie One 桌面应用的 Windows 版进 Beta;2026-11-12,Genie ZeroOps 进 Beta(11 月发布说明)。也就是说,聊天插件是同一周里 Genie"到处都在"的一部分,不是一个孤立的功能。

要和 BL-151 讲的那件事分开。那篇写的是 Genie 当成常驻 agent,自己在后台跑、给任务就自己做;本篇讲的是聊天插件一侧——你在 ChatGPT 或 Claude 的对话框里敲一个问题,agent 判断这个问题要问 Genie,就把它交给 Genie,Genie 跑完自己那一轮再把带出处的答案交回来。同一个 Genie One MCP 服务器,两种用法:一种是 agent 替你常驻,一种是你在聊天里随手调。

Databricks 自己给的聊天例子正好对上数据对照这件事。博客里写,一个商业分析师要解释某地区季度营收为什么比预测低 10%,Claude 可以让 Genie 按财务认定的指标定义取营收、订单量和平均客单价,再让 Genie 去翻定价备忘、销售通话记录和竞品报告,最后给出每条结论都带出处的分析(Databricks 博客)。内部那半边 Genie 管得很稳,缺的是企业墙外的声音——用户在公开平台上到底在抱怨什么。

插件底下是 Genie One MCP:一次问答怎么走

插件不是一个新协议,它是把 Genie One MCP 服务器接进聊天客户端。这个服务器把 Genie 暴露成一个对话式工具:客户端发一个自然语言问题,Genie 搜企业数据、写 SQL、按 Genie Ontology 给出带出处的答案(Genie One MCP 文档)。它走的是 MCP 的 Streamable HTTP 传输,用 Authorization: Bearer <token> 带 Databricks 令牌,Unity Catalog 权限每次请求都生效,用户只能查到自己有权看的数据。

因为 Genie 要搜数据、跑 SQL,答案是异步的。文档给的流程是:先调 genie_ask 起一个回答,拿到 conversation_id 和 response_id、状态 in_progress;再轮询 genie_poll_response,中途能看到进度步骤;状态变成 completed(或 incomplete、failed)时,拿到带"在 Databricks 里探索"深链的完整答案(Genie One MCP 文档"问一个问题"一节)。要继续同一段对话,后续问题复用上一个 conversation_id。结果太大时,genie_ask 和 genie_poll_response 返回的是截断过的查询结果,agent 需要完整结果时再调 genie_get_query_result。

还有一条时间线要记住:Beta 端点 https://<workspace-hostname>/api/2.0/mcp/genie 已经标为弃用,2026-11-30 到期,之后请求会失败,要迁到正式版的 system.ai.genie_one_mcp(Genie One MCP 文档"通过 Unity Gateway 访问"一节)。对在聊天里用插件的人来说,这个 URL 由插件管好了,碰不到;但如果团队自己在代码里接 Genie One MCP,就得在 11 月底前把 URL 和 OAuth 范围换过来。

轮询的节奏也写进了文档:要等上一次 genie_poll_response 返回了再发下一次,别连着猛打;要指定某个 SQL 仓库跑查询,就在 _meta 里传 warehouse_id(Genie One MCP 文档"注意事项"一节)。这些细节对在聊天里用插件的人大多是透明的,agent 替你管了;但它们解释了为什么 Genie 的回答有时要等几秒——它在后台跑一轮搜数据、写 SQL、校对出处的活。

鉴权上,Genie One MCP 接受任何放在 Authorization: Bearer 头里的 Databricks 令牌,包括 OAuth 的用户到机器(U2M)、机器到机器(M2M)和个人访问令牌,推荐的是代表用户的 OAuth(on-behalf-of),这样点进 Genie 出处时能顺畅跳转(Genie One MCP 文档"注意事项"一节)。调用者要有 system.ai.genie_one_mcp 的 EXECUTE 权限、system 目录的 USE CATALOG 和 system.ai 架构的 USE SCHEMA。对聊天插件来说这些由登录时的 OAuth 带过去,用户不用手动配;但它意味着一件事:聊天里能问到的内部数,严格等于这个登录用户在 Databricks 里有权看的数,一分不多。

支持 MCP Apps 扩展的客户端还能拿到交互视图。Genie One MCP 提供一个 MCP App:在支持的客户端里,服务器返回的不再是纯文本,而是一个嵌在对话里的面板,显示 Genie 的进度、图表和带 Ontology 出处的最终答案(Genie One MCP 文档"MCP App"一节)。MCP Apps 是 Model Context Protocol 的官方扩展,让服务器返回能渲染的交互 HTML,跑在宿主控制的沙箱 iframe 里;按官方文档,目前支持的客户端包括 Claude、Claude Desktop、VS Code 的 GitHub Copilot、Microsoft 365 Copilot 等(MCP Apps 概览)。这意味着 Genie 返回的图表和出处在这些客户端里能直接看,不用跳出对话。

为什么要在同一轮里拉公开评论

Genie 擅长调和公司内部彼此打架的定义。Databricks 把问题讲得很直白:业务领导手上数据不少,却很难对"上周我们最大的客户净营收为什么跌了 8%"给出可靠回答,因为答案横跨销售、财务、促销、库存和客户数据,每个源单独看都对,定义却不一样(Genie One MCP 博客)。Genie Ontology 的做法是把"净营收"锚到认定的指标定义,按权威和认证程度去调和冲突,再按每个用户的权限返回答案。

把这个场景再往前推一步:内部数给出"某地区季度营收比预测低 10%",Genie 能按认定的指标定义把这个差拆成订单量和客单价、再去翻定价备忘和竞品报告找原因,但这些都在公司墙内。墙外呢?同一段时间,这个地区的用户在公开平台上说了什么、是不是在抱怨涨价或某个功能没了,Genie 的内部数据里没有这一块。缺的正好是外部的声音,而这一块要从公开评论里取。

企业墙外的评论也一样打架,而且没有一个 Ontology 替你调和。同一款产品,App Store 的历史总分、Google Play 的历史总分、Trustpilot 的抽样、G2 的汇总、Capterra 的抽样,常常给出完全不同的印象。内部指标告诉你"企业版用户的采用率上周掉了",但掉的原因要去公开评论里找;如果只拉一个源,拉到的可能恰好是那个和事实相反的源。所以聊天里的对照要像 Genie 调和内部定义一样,同时拉几个外部源,让模型自己去调和。

EveryInfra 的数据接口就是把这些公开源接进对话的那一层。它是一个标准 MCP 服务器,可以和 Genie 插件并列加进任何支持 MCP 的聊天客户端。一次对话里,你先问 Genie 内部的采用率或营收,再让 EveryInfra 去 App Store、Google Play、Trustpilot、G2 拉同一款产品的公开评论,模型把两边拼到一起,让内部的数字和外部的评论对着同一个问题读。

为什么要在"同一轮"里做,而不是分两次?因为对照的价值在于两边的数能对上同一个问题。分两次做,内部那边的结论和外部评论之间要靠人去搭桥,很容易搭错——看到营收掉了,随手去搜一个评论网站,搜到的那一个源可能恰好和事实相反。放在同一轮里,模型拿着内部指标在动的那个具体信号(哪个客户、哪段时间、哪个产品线),再去拉对应的几个公开源,拉回来的评论直接对着这个信号读,中间不经过人的猜测。Genie 把内部几个源对齐成一个可信答案,EveryInfra 把外部几个源摆到同一个问题下面,模型在一轮里把内外两边接上,这就是"同一轮"三个字的分量。

还有一层是信任的传递。Genie 的答案带出处,用户点得进去看是哪个定义、哪张表算出来的;公开评论这一侧,EveryInfra 返回的每条评论也带 url、posted_at、rating,模型给出的"用户在骂计费"这句话,背后是几条能点开看的真实评论,不是它自己编的概括。两边都能回溯到源,这对要拿去做决策的人很重要——内部数有 Genie 的出处,外部印象有评论的链接,没有一句是悬空的。

示意插图:中间一个聊天对话框,左边一条线连到一台亮着四角星的机器(公司内部数据),右边一条线连到四摞评论卡片(App Store、Google Play、Trustpilot、G2);对话框里一支笔把左右两边的结论画成一张小小的对照表。
一次对话里的两半:左边是公司内部治理过的数,右边是公开评论。
流程图:从左到右五站。第一站聊天客户端发出一个问题;第二站分叉,一条走 Genie 插件(genie_ask → 轮询 → 带出处的内部答案),一条走 EveryInfra 远程 MCP(everyinfra_call_api → app_store/reviews 等 → 公开评论);第三站两边结果汇到模型;第四站模型调和内外两边、标出矛盾;第五站给用户一张对照结论。流程图下方标注:EveryInfra 一次评论调用 $0.001389,失败不扣费。

把 EveryInfra 的远程 MCP 加进同一个聊天客户端

四个客户端都支持挂外部 MCP 服务器或连接器,加法和加 Genie 插件类似:ChatGPT 和 Claude 支持自定义连接器,Grok Bot 一侧的 Cursor 支持 MCP 服务器,Copilot Cowork 一侧由 Microsoft 365 管理员在后台"管理插件、技能和 MCP 服务器"里加。Databricks 自己的文档也写明,没有原生插件的 agent 可以通过 MCP 服务器访问 Genie(Databricks 博客);同样的开放协议,EveryInfra 的远程 MCP 也是这样被加进来的。下面是把 EveryInfra 加进一个支持远程 MCP 的客户端时的配置片段,Key 只从环境变量读、不写进文件。

json
{
  "mcpServers": {
    "everyinfra": {
      "type": "http",
      "url": "https://api.everyinfra.com/mcp",
      "headers": { "Authorization": "Bearer ${EVERYINFRA_API_KEY}" }
    }
  }
}

加进去之后,客户端会连上这个服务器、列出它的工具。我们 2026-11-17 00:28:11 SGT 手动走了一遍握手:initialize 返回 200、协议版本 2025-06-18,响应头里没有 Mcp-Session-Id,说明这个服务器不要求会话 ID;notifications/initialized 返回 202、空响应体;tools/list 返回 12 个 everyinfra_* 工具。MCP 规范对 Streamable HTTP 的要求正是如此:客户端每条 JSON-RPC 消息都用 HTTP POST 发到同一个端点,Accept 头要同时列 application/json 和 text/event-stream,服务器收到通知或响应时返回 202、无响应体(MCP 2025-06-18 传输规范)。

12 个工具里,拉数据的是 everyinfra_call_api,读异步任务的是 everyinfra_get_job,其余是列能力、搜索、账户、工单一类。在聊天客户端里,你通常只需要给模型放行 everyinfra_call_api 这一个工具,其余不必暴露。工具调用前先读一次免费目录 GET /api/v1/social/catalog,确认能力名、参数、price_usd 和 available:拉公开评论用的是 app_store/reviews、google_play/reviews、trustpilot/reviews、g2/reviews、capterra/reviews 这几项,目录里都标 available: true。能力页分别是 app_store/reviews、google_play/reviews、trustpilot/reviews 和 g2/reviews,平台总览在 App Store 数据接口 和 Trustpilot 数据接口。

一次真实的 MCP 往返:模型发什么,接口回什么

握手之后,一个聊天里的 agent 要拉评论,发出的就是一次 tools/call。我们 2026-11-17 00:29:09 SGT 发了一次,工具名 everyinfra_call_api,参数是 Notion 在美区 App Store 的最新 20 条评论。这和 ChatGPT 或 Claude 里模型自己发出的那次调用是同一种形状。

json
{
  "jsonrpc": "2.0", "id": 4, "method": "tools/call",
  "params": {
    "name": "everyinfra_call_api",
    "arguments": {
      "platform": "app_store", "action": "reviews",
      "params": { "app_id": "1232780281", "country": "us", "limit": 20, "sort": "newest" }
    }
  }
}

接口返回 200,整个 HTTP 响应 14,646 字节,content[0].text 这个文本字段里是一段 13,666 字的 JSON,含 20 条评论和 billing.charged_usd: 0.001389,billing.amount.per_1k.USD 写着每千条 $1.389。返回里每条评论带 rating、title、text、app_version、posted_at 这些字段,和目录 response_fields 列的一致。模型拿到这段文本,就能算出"最近 20 条里几星占多少、抱怨集中在哪个版本"。

截图:EveryInfra 远程 MCP 的 tools/call 真实返回,分两段。上段是请求:tools/call 调 everyinfra_call_api,platform 为 app_store,action 为 reviews,参数 app_id 1232780281、country us、limit 20、sort newest,时间 2026-11-17 00:29:09 新加坡时间。下段是返回:200,14646 字节,文本字段 13666 字,count 20,billing 里 charged_usd 0.001389、per_1k USD 1.389 用青绿框标出;评论正文和用户名已打码,余额等内部字段已删。
一次 MCP 往返的真实返回。评论正文和用户名已打码,内部字段已删。截于 2026-11-17 00:29 新加坡时间。 EveryInfra 远程 MCP 真实返回

这次成功的往返里,返回还带了一个计费对象,把这次调用的钱算得很细:charged 为 true、credits 100、charged_usd 0.001389、per_1k.USD 1.388889,rate_source 写 live。对在聊天里自动调接口的场景,这个计费对象是有用的——模型每拉一次评论,返回里就带着这次花了多少,想做预算约束的,可以让主流程把 charged_usd 累加起来、接近上限就停。内部字段(比如余额)在模型要展示给用户时应该删掉,只留和这次调用相关的费用,这也是我们在配图里只画 charged_usd 和条数、不画余额的原因。

还有一处细节和聊天客户端的渲染有关。这次返回是一段 JSON 文本放在 content[0].text 里,支持 MCP Apps 的客户端可以把它渲染成表格或图,不支持的客户端就当纯文本给模型读。这和 Genie 那一侧的做法是呼应的:Genie One MCP 在支持 MCP Apps 的客户端里返回交互视图、在不支持的客户端里退回纯文本(Genie One MCP 文档"MCP App"一节)。所以在同一个支持 MCP Apps 的客户端里,Genie 的图表和 EveryInfra 的评论表可以并排显示,用户不用跳出对话就能同时看到内部数的图和外部评论的表。

这段返回的体积也值得记。按约 4 字节 1 token 估,13,666 字约 3,400 token,在 Claude Code 对 MCP 工具输出 1 万 token 的警告线以下,也在把结果落盘的 5 万字符线以下(Claude Code MCP 文档)。也就是说,20 条评论这样的返回能直接进对话,不会被截断或存成文件;真要一次拉几百条,就把 mode 设成 async、拿 job_id 后用 everyinfra_get_job 读,读任务免费、不计入每分钟限额。

一次写错参数的往返:接口怎么让模型自己改对

第一次调用我们故意写错了排序参数,sort 传了 recent。接口没有静默忽略、照常扣费,而是返回了一段写给模型看的错误。错误体里 code 是 invalid_value、message 写"sort must be one of: most_helpful, newest (got 'recent')"、did_you_mean 是 ["newest"]、allowed 列出两个合法值、isError 为 true,next_steps 里写着"只改 sort 后重发,Nothing was charged"。模型读到 did_you_mean,把 sort 改成 newest 再发一次,就拿到了上一节那段成功返回。

text
invalid_value: `sort` must be one of: most_helpful, newest (got 'recent')
did_you_mean: ["newest"]   next_steps: Change only `sort` to a value in `allowed`, then resend. Nothing was charged.

这对聊天里的自动调用很重要。模型在对话里自己拼参数,没有人盯着每一次调用,错误文案就得写给模型看,而不只是写给开发者看。did_you_mean 给一个能直接用的候选值,allowed 列出全部合法值,next_steps 用一句话说下一步该怎么做,模型照着改一个字段就能重发。要是接口只回一句"参数错误",模型就只能瞎猜,甚至把别的本来对的参数也一起改坏。

模型自己拼参数时难免写错,错误文案要能让它不靠人工就改对。写错参数返回 422、排序非法返回带 did_you_mean 的提示,这两种都发生在扣费之前,可以放心重试;已经返回 200 的调用才扣了钱,不要因为模型自己的问题重复发。我们在 接口错误自愈说明 里写了远程 MCP 怎么接、怎么用请求号核对。

截图:EveryInfra 远程 MCP 对一次写错 sort 参数的返回,isError 为 true,message 写 sort 必须是 most_helpful 或 newest、收到的是 recent,did_you_mean 为 newest,next_steps 写只改 sort 后重发、Nothing was charged,这三处用青绿框标出;时间 2026-11-17 00:28:36 新加坡时间。
写错参数的真实返回:带 did_you_mean 的提示,没有扣费。截于 2026-11-17 00:28 新加坡时间。 EveryInfra 远程 MCP 真实返回

实测:同一个产品,五个公开源的评分差多少

拿一款产品做演示,用的是公开的 Notion(一款笔记和协作软件),方法对任何产品一样。真实场景里,Genie 那一侧是你公司内部的留存或采用数,EveryInfra 这一侧是公开评论。我们 2026-11-17 00:20–00:27 SGT 真调了五个公开源,每个源都取同一款产品,数据由原始返回现算。

公开源当天评分样本时间窗口主要槽点
App Store(历史总评)4.7790,724 条评分全量累计—(含只打星不写字的)
App Store(最近写评)2.3450 条10-01 至 11-14崩溃、功能被删、AI
Google Play(历史总评)4.61407,304 条评分全量累计—
Google Play(最近写评)3.3450 条11-10 至 11-15崩溃、卡顿
Trustpilot1.9330 条06-26 至 11-13计费、账号被锁
G24.613,980 条全量汇总学习曲线陡
Capterra4.030 条抽样作后端有限制

一眼看过去,同一款产品的分数从 1.93 跨到 4.77,最高和最低差了 2.84 分,是五分制里近六成的跨度,落在哪个源上,结论就从"用户基本满意"翻到"用户很不满"。差别来自两处。第一处是源与源之间的人群不同:App Store 和 Google Play 上多是消费者用户,G2 和 Capterra 上是企业买家,Trustpilot 上写评的人里相当一部分是来投诉计费的。不同人群在意不同的东西,给同一款产品打出的分自然差一大截。第二处更隐蔽:同一个 App Store,历史总评 4.77 和最近 50 条写评的均值 2.34 差了一倍还多。这说明光看一个"评分"数字会误导——它既可能是累计多年的总评,也可能是最近写字那批人的情绪,两者在同一个页面上都叫"评分",含义却差很远。

Capterra 这一次的 30 条抽样全是四星,均值 4.0,分布很窄。这多半是抽样和排序造成的——一次抽回来的这几十条恰好都在四星这一档,不代表 Capterra 上这款产品只有四星评价。所以 Capterra 这一行我们标了"抽样",没把它当成这个源的总体评价。这也提醒:对照里每个源的那个均值,要连着样本量和取法一起看,不能单拎一个数字出来比。单看 Capterra 的 4.0 会以为企业买家很满意,可 G2 汇总的 13,980 条里,"学习曲线陡"被提了 872 次——两个 B2B 源放一起,才看得出企业买家满意里带着上手难的抱怨。

横向条形图,一款产品在当天六个取数角度上的评分:App Store 历史 4.77、Google Play 历史 4.61、G2 汇总 4.6、Capterra 抽样 4.0、Google Play 最近写评 3.34、App Store 最近写评 2.34(青绿色高亮最低的一根)、Trustpilot 抽样 1.93。标题:同一款产品,当天七个角度的评分从 1.93 到 4.77。注:历史总评含只打星不写字的评分;最近写评只数带文字的评论。

历史总评和最近写评的差来自两种不同的量。历史总评把只打星、不写字的用户也算进去,这些人多半是用着没出事的沉默多数;最近写评只数带文字的评论,写字的人里一部分是专程来提问题的。App Store 的"当前版本评分"我们也取了,还是 4.77,和历史总评一样——说明把 app_version 之外的沉默评分平进来,分数就稳在高位;可最近这一个多月坐下来写字的那批人,26 条打了一星。对一个要解释"企业采用率上周为什么掉"的分析来说,有用的是后面这批写字的评论,而被沉默多数托住的 4.77 帮不上忙。企业内部的采用率掉的往往是活跃使用这一层,和写评的人是同一批会用力表达的用户,所以写评的情绪比沉默的星级更贴近内部指标在动的那一层。

并排两组柱子,左组 App Store:历史总评 4.77 对最近 50 条写评均值 2.34;右组 Google Play:历史总评 4.61 对最近 50 条写评均值 3.34。每组里最近写评那根用青绿色。标题:历史总评被沉默多数托在高位,最近写评低得多。注:历史总评含只打星的评分,最近写评只数带文字的评论。

把 App Store 最近 50 条按星级摊开:26 条一星、8 条两星、2 条三星、1 条四星、13 条五星——一星占 52%、五星只占 26%,愤怒压过满意。一星和五星两头大、中间空,是产品出了具体问题时常见的形状——沉默的人不写,满意的和愤怒的都来写。Google Play 最近 50 条则是 12 条一星、7 条两星、4 条三星、6 条四星、21 条五星——五星占 42%、高过一星的 24%,愤怒没那么集中。两个商店同一个产品、同一段时间,写评的人气性都不一样。

两个并排的星级分布柱状图,各自坐标轴。左图 App Store 最近 50 条:一星 26、二星 8、三星 2、四星 1、五星 13。右图 Google Play 最近 50 条:一星 12、二星 7、三星 4、四星 6、五星 21。App Store 的一星那根用青绿色高亮。标题:App Store 最近写评两头大中间空,Google Play 没那么极端。

评分一致不代表原因一致:负评主题对照

分数之外,更要紧的是负评在骂什么。我们把三个评论源里评分两星及以下的那些评论,按标题和正文里的关键词归了类(归类规则写死在脚本里,人工抽查过和逐条读的结果一致)。同样是负评,三个源骂的完全是不同的东西。

负评主题App Store(≤2 星)Google Play(≤2 星)Trustpilot(≤2 星)
崩溃、卡顿、更新后不能用19134
功能被删、不如从前1114
AI 相关(额度、被强推)904
账号、登录、被锁4410
计费、涨价、预扣1110

App Store 的负评里,崩溃和更新后不能用占了大头(19 条),一星标题里反复出现"最新版一直崩""更新毁了它""旧设备用不了"这类;AI 相关的抱怨也有 9 条。几条一星评论的大意(译自英文原评论、已隐去用户名)是:"AI 能不能少一点""每次更新太频繁,不更就被挡在外面""在最新 iOS 上一打开就崩,别的应用都没事"。这些话对准的是版本和稳定性,几乎没人提价格。

Trustpilot 则完全是另一张脸:计费和账号各 10 条,写评的人是来投诉预扣、涨价、账号被锁的。几条一星评论的大意是:"计费手段极具掠夺性、客服形同虚设""删了账号之后还被开了一张发票""免费试用中途被莫名取消"。同一款产品,同一段时间,App Store 的人在骂它崩,Trustpilot 的人在骂它乱收费。如果你的内部指标显示"付费转化掉了",去 App Store 拉评论会把原因误判成"应用老崩",去 Trustpilot 才看得到"用户在骂计费"。两个源都对,各说一半。占比摆出来更一目了然:App Store 的负评提及里崩溃类占四成三(19/44)、计费只有一条;Trustpilot 反过来,计费和账号各占三成(各 10/32)、崩溃只有一成出头。同一款产品、同一段时间,主槽点在两个源之间整个翻了面。这也是为什么对照不能只信一个源:模型要是只拿到 App Store 这一摞,就会把一个计费问题写成一个稳定性问题,内部那边的付费转化会一直找不到对应的原因。

分组横向条形图,三个评论源(App Store、Google Play、Trustpilot)在五个负评主题上的条数:崩溃卡顿 19/13/4,功能被删 11/1/4,AI 相关 9/0/4,账号登录 4/4/10,计费涨价 1/1/10。Trustpilot 的计费那根用青绿色高亮。标题:同样是负评,三个源骂的是不同的东西。

这正是同一轮拉几个源的理由。G2 的汇总给了另一层信息:它把 13,980 条评论的槽点聚成标签,排在最前的是"学习曲线陡"(被提 872 次)、"大工作区变慢"(617 次)、"界面让人困惑"(494 次)、"功能太多压不住"(469 次)、"配置太费时间"(441 次)。好评一侧则是"日常好上手"(2,135 次)、"工作区灵活"(2,053 次)、"模板和数据库好用"(1,596 次)——同一批企业买家既夸它灵活,又把"学习曲线陡"顶上槽点第一,满意和上手门槛是一体两面。企业买家在意的是上手成本和规模下的性能,和消费者在 App Store 骂的崩溃是两回事。聊天里把这几个源一起拉回来,模型才拼得出完整的一张脸。

写评的时间也值得看。App Store 这 50 条的发布日期从 2026-10-01 到 2026-11-14,Google Play 这 50 条集中在 2026-11-10 到 2026-11-15,Trustpilot 这 30 条拉得更开、从 2026-06-26 到 2026-11-13。时间窗口不同,直接比均值就会偏:Trustpilot 这 30 条跨了约 140 天、1.93 里混了半年前的旧账,Google Play 这 50 条只跨 5 天、3.34 只覆盖最近这一拨。两者的均值本就不在一个量纲上。对聊天里的对照来说,这件事的处理方式很简单——让模型在拉评论时按同一排序取、把时间窗口写进结论,而不是把几个不同窗口的均值直接摆在一起下判断。

哪个内部指标配哪个外部源

把内部指标和外部评论源一一对上,是让这件对照不跑偏的关键一步。内部指标回答"哪个数在动",不同的外部源回答不同性质的"为什么"。下面这张表把常见的内部指标和适合配的公开源列在一起,依据是前面几节的真调观察。

内部指标(Genie 一侧)适合配的公开源这个源能补的"为什么"本次真调里的证据
消费端日活、留存掉App Store、Google Play 最近写评崩溃、更新后不能用、功能被删App Store 负评崩溃 19、功能被删 11
付费转化、续费掉Trustpilot计费、涨价、预扣、账号被锁Trustpilot 负评计费 10、账号 10
企业版采用、扩容慢G2、Capterra学习曲线、规模下性能、作后端的限制G2 top_con 学习曲线 872、大库慢 617
新功能采用率App Store、Google Play 最近写评 + G2新功能被强推、体验回退App Store AI 相关负评 9

这张表是提醒而非硬规则:拿到一个内部指标在动的信号,先想清楚要问的"为什么"属于哪一类,再决定拉哪几个源。消费端的留存配应用商店,付费和账号配 Trustpilot,企业采用配 G2 和 Capterra。拉错源,拉回来的评论会把原因引到错的方向;拉几个源,模型能自己看出哪一类抱怨在这款产品上最集中。

这件对照花多少钱:按每千条算

EveryInfra 这一侧的钱只和调用次数有关,和返回多少条、模型跑在哪都无关。拉评论的几项能力,目录 price_usd 多数是 $0.001389 一次,即每千条 $1.389(一次调用返回一页评论算一次)。下表的价格来自目录,返回条数来自我们这次真调。

能力一次价格(USD)每千次(USD)本次返回时间(SGT)
app_store/reviews0.0013891.38950 条 / 20 条00:22:39 / 00:29:09
google_play/reviews0.0013891.38950 条00:22:48
trustpilot/reviews0.0013891.38930 条00:21:10
g2/reviews0.0013891.38930 条00:26:50
capterra/reviews0.0013891.38930 条00:27:04

一次对照拉五个源,接口费是 5 × $0.001389 = $0.006945。每天对同一款产品拉一轮、一个月就是约 $0.208。把这件事放大到真实场景:一个客户成功团队盯 20 个重点客户用的产品,每个产品每天拉五个源,一天 100 次调用、$0.139,一个月约 $4.17;要是只在内部指标报警时才拉、一周触发十几次,一个月几美分。这笔钱和它换回来的东西比很小——内部指标报警时,模型能顺手把公开评论里的原因一起带出来,不用人再去翻几个评论网站。

成本可预测,是因为它只和调用次数挂钩。一次调用返回一页评论,不管这页是 20 条还是 50 条都算一次;要一次拉几百条,用异步、拿 job_id 后读,读任务不另外计费。这和按返回条数计费的做法不一样:按次计费时,预算等于"要拉几个源 × 拉几轮",一眼能算清楚,不会因为某个产品评论特别多而突然涨价。对要放进自动流程的对照来说,这种可预测比单价高低更要紧。

这次整篇实测,真调 14 次、合计约 $0.013,其中有 3 次没扣费:1 次远程 MCP 握手(initialize 与 tools/list)、1 次写错参数的 tools/call、1 次空结果的 YouTube 评论,每一笔都能在返回的 billing 或错误体里对上。想看接入的,快速上手有 REST 的三步,MCP 服务器页有各家客户端挂远程 MCP 的配置。

横向条形图,单位美元,四个成本场景:一次对照五个源 0.006945(青绿色高亮,最省)、单产品每天一轮一个月 0.208、仅内部指标报警时触发约 0.05 一个月、20 个重点产品每天一轮一个月 4.17。标题:按次计费,一次对照五个源不到一美分,20 个产品盯一个月约 4 美元。注:EveryInfra 一次评论调用 $0.001389,返回一页算一次。

Genie 那一侧的价格是另一套。Databricks 的 Genie One MCP 用的是 Genie 的用量计费,和 SQL 仓库算力绑定,按 Databricks 的 Genie 定价页算(Genie 定价、Genie One MCP 文档"定价"一节),读取日期 2026-11-17。本文不把它折算成每次价格,因为它和你的仓库规模、查询复杂度有关,没有一个固定的单次价。要比较的只是:内部那一侧按你已有的 Databricks 用量走,外部这一侧每拉一页公开评论 $0.001389。

把对照接进 Genie 的内部数:两次调和

Genie Ontology 在内部做的事,是把彼此冲突的定义调和成一个可信答案。Databricks 的操作指南把它拆成几层:先把数据底座理顺,再对齐指标定义,Genie 按权威程度排序、应用权限,在回答时把最有用的上下文喂给 Genie(操作 Genie Ontology 指南)。换句话说,当"客户"在销售和客服里定义不同、同一个客户在不同系统里有三个 ID 时,Genie 靠 Ontology 决定信哪一个。

聊天里的数据对照是把同一种调和搬到墙外。外部公开评论也有自己的三个 ID:同一款产品,App Store 一个分、Trustpilot 另一个分、G2 第三个分,各自的人群和时间窗口不同。模型要做的,和 Genie 对内部定义做的是一类动作——不把哪一个源当唯一真相,而是把几个源的证据摆到一起,标出它们在哪里分叉。

Databricks 自己给的三个聊天场景正好能接上这一层。博客里的客户留存场景写,一个客户成功负责人问 Copilot Cowork 哪些客户采用率在下降、工单在上升、续约有风险,Genie 接治理过的客户、产品使用、工单和合同数据(Databricks 博客)。这个场景里内部数能告诉你"哪些客户在掉",接上 EveryInfra 拉这些客户用的产品在公开平台的评论,就能补一句"他们掉是因为公开评论里在骂计费和崩溃"。Genie One MCP 博客给的财务场景、营销场景也是同一结构:内部定义由 Genie 锚定,外部声音由数据接口补齐(Genie One MCP 博客)。

这里有一处容易被忽略的对称。Databricks 在讲直接连数据源的坏处时写,直接给 agent 接结构化和非结构化源,给的是访问权,不是共享的业务含义——它不告诉 agent 哪些源、哪些定义、哪些 SQL 连接是认可的,agent 只能反复去看表结构、文档和关系,既费 token 又慢(Genie One MCP 博客)。外部公开数据也有同样的问题:把一堆评论网站的原始页面直接丢给模型,模型要自己去认哪条是哪款产品、哪个分数能信、时间窗口对不对。EveryInfra 的数据接口把这些拉成结构化的字段(rating、posted_at、app_version 等和目录对得上),相当于在外部这一侧也给模型一个干净的入口,省掉它在一堆网页里乱翻。

还要说清楚一点,免得把类比拉过头:Genie Ontology 是企业自己治理的、带权威和认证的内部语义层,EveryInfra 这一侧不治理任何内部定义,它只是把公开可见的评论按统一字段取回来。调和外部几个源的矛盾,是模型在对话里做的判断,不是 EveryInfra 替它定好的。所以正确的说法是:内部的权威定义由 Genie 和 Ontology 保证,外部的几个源由数据接口如数取回,谁更可信由模型结合两边的证据判断。

边界:抽样、排序,以及插件不负责的部分

这件对照有几处边界要说清楚,免得把它当成比实际更强的东西。第一,评论是抽样,不是普查:我们每个源取了 20 到 50 条,App Store 和 Google Play 的"最近写评"按各自默认排序返回,时间窗口不一样(App Store 覆盖 10-01 至 11-14,Google Play 只到 11-10 至 11-15)。所以源与源之间的均值不能直接当成"这个源对这款产品的总体评价",它是这一次取回来的这几十条的均值。要更稳的结论,得按同一排序、同一条数、同一时间窗口再取。

第二,历史总评和写评均值是两种量,别混着比。前者含只打星的评分,后者只数带文字的评论;本文所有"历史总评"都标了是含打星的,所有"最近写评均值"都标了只数带文字的。把这两个混成一个数,就会得出"App Store 评分暴跌"这种错判——其实是沉默多数没变、写字的人变凶了。

第三,插件只负责把 Genie 接进聊天,它不改 Genie 的权限模型。Unity Catalog 权限每次请求都生效,用户在聊天里也只能查到自己有权看的内部数据(Genie One MCP 文档"注意事项"一节)。外部这一侧,EveryInfra 拉的是公开可见的评论,不碰任何需要登录的私有数据。两边各守各的边界,拼在一起的是"内部治理过的数"加"公开可见的声音",不是把谁的私有数据混进来。

第四,把外部 MCP 加进聊天客户端的具体入口随客户端的版本在变,管理员要不要放开、怎么放开由客户端一侧决定。Databricks 这边也给企业留了闸门:基于上下文的入站策略 2026-11-10 起可以把 ChatGPT 和 Claude 当作合作平台放行,让它们这些托管 MCP 客户端够到工作区(合作平台文档)。文档写明这条规则靠合作方发布的出口 IP 段或 OAuth 应用来识别流量,每一到两周同步一次,而且只放行该合作方的流量、用户和服务主体仍要各自鉴权。这意味着企业对"哪个聊天客户端能连到内部 Genie"是有控制的,外部数据接口的接入也应照各自公司的规矩走。

第五,聊天插件的往返有延迟,对照不是零成本的即时操作。Genie 一侧要在后台跑搜数据、写 SQL 的活,答案是异步的;EveryInfra 一侧拉评论的调用,这次 App Store 的一次往返在百毫秒到几秒之间。把两边都塞进一次对话,用户要等两边都回来。对交互式的问答这没问题,对要求亚秒响应的场景就不合适——那种情况更适合把对照放进后台的定时任务,算好了再推给人看。

顺带记一个外部核对的结果。我们按主打词"databricks genie plugin chatgpt"搜了同款数据来源的视频,前十个结果里排在前面的是 Genie、Genie Code 和 MCP 的通用教程(2026-04 到 2026-11),没有一个专门演示 2026-11-11 这批聊天插件"管理员发布、用户登录"的连接流程;最接近的一个 2026-11-15 的入门视频讲的是怎么用 OAuth、JWT、API Key 连一个 MCP 服务器,和插件市场里的原生连接不是一回事,那个视频的评论也拉不到。也就是说,这批插件的聊天端连接流程,目前主要还靠官方文档,视频这一侧是空的。

行业动向

  • 2026-11-11:Databricks 发布第二代 Genie,定位是"永远在线、自主"的企业 agent,能委派子代理、跟进缺失输入、需要决策时主动找人(Databricks 新闻稿)。对读者的意思:聊天插件只是 Genie"到处都在"的一个面,后台常驻是另一个面。
  • 2026-11-11:Genie Ontology 和 Pages 同日转正式版,治理的业务定义可以按域组织、认证和弃用(Genie Ontology GA、11 月发布说明)。对读者的意思:内部那一侧的"可信定义"越稳,外部对照越值得接上。
  • 2026-11-10:Genie Search 转正式版,索引 Google Drive、Jira、Confluence 等 100 多个源,连同 Genie One 的 Chrome 新标签页扩展一起(11 月发布说明)。对读者的意思:Genie 的内部搜索越广,越需要外部公开数据划清"墙内墙外"。
  • 2026-11-09:Databricks Genie 的 Slack 应用和 Microsoft Teams 应用转正式版(11 月发布说明)。对读者的意思:Genie 正在进更多"聊天面",每个面都可能并排挂外部数据接口。
  • 2026-11-12:Genie ZeroOps 进 Beta,在后台盯作业、管道和表,发现失败和数据质量问题就查根因、提修法(11 月发布说明)。对读者的意思:内部监控越自动,越凸显外部口碑这类数据得另有来源。

常见问题

Databricks Genie 插件支持哪些聊天客户端,什么时候上的?(来自联想词"databricks genie plugin") 原生支持四个:ChatGPT、Claude、Microsoft Copilot Cowork、Grok Bot,2026-11-11 上线;没有原生插件的 agent 可以通过 Genie One MCP 服务器接入(Databricks 博客、11 月发布说明)。

Genie chatgpt plugin 怎么连,要不要自己建 OAuth 应用?(来自联想词"genie chatgpt plugin") 管理员先在 ChatGPT 工作区发布插件,每个用户点"连接"后用 Databricks 账号登录;插件用默认 OAuth 应用,管理员不用自己建(Genie One MCP 文档)。

能在同一个聊天里既问 Genie 又拉公开评论吗?(来自实测) 能。聊天客户端支持挂外部 MCP 服务器或连接器,EveryInfra 的远程 MCP 可以和 Genie 插件并列加进去,一次对话既问内部数、又拉公开评论。这是 MCP 作为开放协议的性质,不代表两家有合作。

genie chatgpt plugin 免费吗,拉公开评论要多少钱?(来自联想词"genie chatgpt plugin free") Genie 一侧按 Databricks 的 Genie 用量计费(Genie 定价)。EveryInfra 一侧拉公开评论每次 $0.001389、每千条 $1.389,失败和空结果不扣费。

为什么同一款产品不同网站的评分差这么多?(来自联想词"why are app ratings so different") 人群和时间窗口不同:App Store、Google Play 多是消费者,G2、Capterra 是企业买家,Trustpilot 上写评的人多来投诉;而且历史总评含只打星的评分,最近写评只数带文字的评论,两者能差一倍。所以要同时拉几个源对照。

写错参数会扣钱吗?(来自实测) 不会。写错参数返回 422 或带 did_you_mean 的提示,都发生在扣费之前,返回里写明"Nothing was charged";只有返回 200 的调用才扣费。

上手三步

  1. 读一次免费目录 GET https://api.everyinfra.com/api/v1/social/catalog,确认 app_store/reviews、trustpilot/reviews、g2/reviews 这些能力的参数和 price_usd。
  2. 在你的聊天客户端里,把 EveryInfra 的远程 MCP(https://api.everyinfra.com/mcp)作为连接器加进去,和 Databricks Genie 插件并列;配置片段见 MCP 服务器页、远程接入见 接入说明。
  3. 一次对话里先问 Genie 内部的采用率或营收,再让模型用 everyinfra_call_api 拉同一款产品在几个公开源的评论,两边拼成一张对照。快速上手有 REST 的三步,相关做法见 公开评论做竞品分析 和 在 ChatGPT 里审查门店评论。

参考资料

  1. Databricks,《Bring your business context to ChatGPT, Claude, Microsoft Copilot Cowork and Grok Bot》,2026-11-11,https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot
  2. Databricks on AWS,《November 2026 release notes》,2026-11,https://docs.databricks.com/aws/en/release-notes/product/2026/november
  3. Databricks,《Genie One MCP server》文档,2026-11,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp
  4. Databricks,《Genie One MCP server》文档"Ask a question"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#ask-a-question
  5. Databricks,《Genie One MCP server》文档"Access through Unity Gateway"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#access-through-unity-gateway
  6. Databricks,《Genie One MCP server》文档"MCP App"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#mcp-app
  7. Databricks,《Genie One MCP server》文档"Considerations"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations
  8. Databricks,《Genie One MCP server》文档"插件"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#databricks-genie-plugins-for-chatgpt-claude-and-grok-botcursor
  9. Databricks,《Genie One MCP: Give any AI Agent the Right Business Context》,2026,https://www.databricks.com/blog/genie-one-mcp-give-any-ai-agent-right-business-context
  10. Databricks,《Operationalizing Genie Ontology in Your Data Stack》,2026-09-01,https://www.databricks.com/blog/operationalizing-genie-ontology-your-data-stack
  11. Databricks,《Announcing GA of Genie Ontology》,2026-11-11,https://www.databricks.com/blog/announcing-ga-genie-ontology
  12. Databricks,Genie Ontology 产品页,https://www.databricks.com/product/genie/ontology
  13. Databricks 新闻稿,《Databricks Launches New Always-on Genie: Autonomous AI for Complex Enterprise Work》,2026-11-11,https://www.databricks.com/company/newsroom/press-releases/databricks-launches-new-always-genie-autonomous-ai-complex
  14. Databricks,Genie 定价页,https://www.databricks.com/product/pricing/genie
  15. Databricks,Genie 产品页,https://www.databricks.com/product/genie/
  16. Databricks on AWS,Genie Ontology 文档,https://docs.databricks.com/aws/en/genie/genie-ontology/
  17. Databricks on AWS,《Allow partner platforms in context-based ingress policies》,2026-11-10,https://docs.databricks.com/aws/en/security/network/front-end/partner-platforms
  18. Databricks on AWS,Genie One 桌面应用(Windows Beta)发布说明,2026-11-11,https://docs.databricks.com/aws/en/genie-one/desktop#install-windows
  19. Databricks on AWS,Genie One Chrome 扩展(Beta)发布说明,2026-11-10,https://docs.databricks.com/aws/en/genie-one/chrome-extension
  20. Azure Databricks,《Azure Databricks Genie plugin for Microsoft Copilot Cowork》,2026-11,https://learn.microsoft.com/en-us/azure/databricks/integrations/msft-cowork
  21. Azure Databricks,《November 2026 release notes》,2026-11,https://learn.microsoft.com/en-us/azure/databricks/release-notes/product/2026/november
  22. OpenAI,ChatGPT 的 Databricks 商务插件页,https://openai.com/business/plugins/databricks/
  23. Claude,Databricks 连接器(Claude 市场),https://claude.com/marketplace/connectors/databricks
  24. x.ai,Grok Bot 的 Databricks 插件,https://x.ai/bot/plugin/86276802
  25. Microsoft,Azure Databricks Genie 插件(应用市场),https://marketplace.microsoft.com/en-us/product/WA200013104
  26. Model Context Protocol,《Transports(2025-06-18)》规范,https://modelcontextprotocol.io/specification/2025-06-18/basic/transports
  27. Model Context Protocol,《Lifecycle(2025-06-18)》规范,https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle
  28. Model Context Protocol,《MCP Apps》概览,https://modelcontextprotocol.io/extensions/apps/overview
  29. Model Context Protocol,客户端支持矩阵,https://modelcontextprotocol.io/extensions/client-matrix
  30. Model Context Protocol,介绍,https://modelcontextprotocol.io/introduction
  31. GitHub,modelcontextprotocol/ext-apps(MCP Apps 扩展),https://github.com/modelcontextprotocol/ext-apps/
  32. GitHub,modelcontextprotocol/python-sdk,https://github.com/modelcontextprotocol/python-sdk
  33. Claude Code,MCP 文档(输出上限、落盘线),https://code.claude.com/docs/en/mcp
  34. Databricks on AWS,《Connect AI agents to Genie One MCP》一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#connect-ai-agents-to-genie-one-mcp
  35. Databricks on AWS,Unity Gateway 文档,https://docs.databricks.com/aws/en/ai-gateway/
  36. Databricks on AWS,《Govern an MCP》文档,https://docs.databricks.com/aws/en/ai-gateway/govern-mcp-service
  37. EveryInfra,TikTok 之外的平台数据接口目录,https://api.everyinfra.com/api/v1/social/catalog
  38. Databricks,Unity Catalog 产品页,https://www.databricks.com/product/unity-catalog
  39. Databricks,Unity Catalog Semantics(业务语义)页,https://www.databricks.com/product/unity-catalog/business-semantics
  40. Databricks on AWS,Chat in Genie One 文档,https://docs.databricks.com/aws/en/genie-one/chat
  41. Databricks on AWS,《Supported coding and work agents》文档,https://docs.databricks.com/aws/en/ai-gateway/coding-agent-supported-agents
  42. Databricks on AWS,《Other MCP clients》文档,https://docs.databricks.com/aws/en/ai-gateway/coding-agent-mcp-skills
  43. Unite.AI,《Databricks Launches Native Genie Plugins for Four AI Agents》,2026-11-12,https://www.unite.ai/databricks-launches-native-genie-plugins-for-four-ai-agents/
  44. AlphaSignal,《Databricks Brings Genie Into ChatGPT to Query Company Data Instantly》,2026-11,https://alphasignal.ai/news/databricks-brings-genie-into-chatgpt-to-query-company-data-instantly

引用编号 BL-174

Google Analytics 同意才加载 隐私