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。

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。
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)。

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。

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。
{
"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。
{
"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"。

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。
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。

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) | 4.77 | 90,724 条评分 | 全量累计 | —(含只打星不写字的) |
| App Store(最近写评) | 2.34 | 50 条 | 10-01 至 11-14 | 崩溃、功能被删、AI |
| Google Play(历史总评) | 4.61 | 407,304 条评分 | 全量累计 | — |
| Google Play(最近写评) | 3.34 | 50 条 | 11-10 至 11-15 | 崩溃、卡顿 |
| Trustpilot | 1.93 | 30 条 | 06-26 至 11-13 | 计费、账号被锁 |
| G2 | 4.6 | 13,980 条 | 全量汇总 | 学习曲线陡 |
| Capterra | 4.0 | 30 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。
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。
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。
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 | 19 | 13 | 4 |
| 功能被删、不如从前 | 11 | 1 | 4 |
| AI 相关(额度、被强推) | 9 | 0 | 4 |
| 账号、登录、被锁 | 4 | 4 | 10 |
| 计费、涨价、预扣 | 1 | 1 | 10 |
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。
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/reviews | 0.001389 | 1.389 | 50 条 / 20 条 | 00:22:39 / 00:29:09 |
google_play/reviews | 0.001389 | 1.389 | 50 条 | 00:22:48 |
trustpilot/reviews | 0.001389 | 1.389 | 30 条 | 00:21:10 |
g2/reviews | 0.001389 | 1.389 | 30 条 | 00:26:50 |
capterra/reviews | 0.001389 | 1.389 | 30 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。
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
- 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。 - 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。 - 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
- 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
- Databricks on AWS,《November 2026 release notes》,2026-11,https://docs.databricks.com/aws/en/release-notes/product/2026/november
- Databricks,《Genie One MCP server》文档,2026-11,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp
- 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
- 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
- Databricks,《Genie One MCP server》文档"MCP App"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#mcp-app
- Databricks,《Genie One MCP server》文档"Considerations"一节,https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations
- 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
- 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
- Databricks,《Operationalizing Genie Ontology in Your Data Stack》,2026-09-01,https://www.databricks.com/blog/operationalizing-genie-ontology-your-data-stack
- Databricks,《Announcing GA of Genie Ontology》,2026-11-11,https://www.databricks.com/blog/announcing-ga-genie-ontology
- Databricks,Genie Ontology 产品页,https://www.databricks.com/product/genie/ontology
- 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
- Databricks,Genie 定价页,https://www.databricks.com/product/pricing/genie
- Databricks,Genie 产品页,https://www.databricks.com/product/genie/
- Databricks on AWS,Genie Ontology 文档,https://docs.databricks.com/aws/en/genie/genie-ontology/
- 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
- 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
- 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
- Azure Databricks,《Azure Databricks Genie plugin for Microsoft Copilot Cowork》,2026-11,https://learn.microsoft.com/en-us/azure/databricks/integrations/msft-cowork
- Azure Databricks,《November 2026 release notes》,2026-11,https://learn.microsoft.com/en-us/azure/databricks/release-notes/product/2026/november
- OpenAI,ChatGPT 的 Databricks 商务插件页,https://openai.com/business/plugins/databricks/
- Claude,Databricks 连接器(Claude 市场),https://claude.com/marketplace/connectors/databricks
- x.ai,Grok Bot 的 Databricks 插件,https://x.ai/bot/plugin/86276802
- Microsoft,Azure Databricks Genie 插件(应用市场),https://marketplace.microsoft.com/en-us/product/WA200013104
- Model Context Protocol,《Transports(2025-06-18)》规范,https://modelcontextprotocol.io/specification/2025-06-18/basic/transports
- Model Context Protocol,《Lifecycle(2025-06-18)》规范,https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle
- Model Context Protocol,《MCP Apps》概览,https://modelcontextprotocol.io/extensions/apps/overview
- Model Context Protocol,客户端支持矩阵,https://modelcontextprotocol.io/extensions/client-matrix
- Model Context Protocol,介绍,https://modelcontextprotocol.io/introduction
- GitHub,modelcontextprotocol/ext-apps(MCP Apps 扩展),https://github.com/modelcontextprotocol/ext-apps/
- GitHub,modelcontextprotocol/python-sdk,https://github.com/modelcontextprotocol/python-sdk
- Claude Code,MCP 文档(输出上限、落盘线),https://code.claude.com/docs/en/mcp
- 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
- Databricks on AWS,Unity Gateway 文档,https://docs.databricks.com/aws/en/ai-gateway/
- Databricks on AWS,《Govern an MCP》文档,https://docs.databricks.com/aws/en/ai-gateway/govern-mcp-service
- EveryInfra,TikTok 之外的平台数据接口目录,https://api.everyinfra.com/api/v1/social/catalog
- Databricks,Unity Catalog 产品页,https://www.databricks.com/product/unity-catalog
- Databricks,Unity Catalog Semantics(业务语义)页,https://www.databricks.com/product/unity-catalog/business-semantics
- Databricks on AWS,Chat in Genie One 文档,https://docs.databricks.com/aws/en/genie-one/chat
- Databricks on AWS,《Supported coding and work agents》文档,https://docs.databricks.com/aws/en/ai-gateway/coding-agent-supported-agents
- Databricks on AWS,《Other MCP clients》文档,https://docs.databricks.com/aws/en/ai-gateway/coding-agent-mcp-skills
- 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/
- 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