# 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。

- Canonical page: https://everyinfra.com/blog/databricks-genie-plugin
- Published: 2026-11-17T02:05:00+08:00 · Fact-checked: 2026-11-17T00:29:00+08:00

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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)、[AWS 11 月发布说明](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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。

> **本文要点**
>
> - Databricks Genie 插件 2026-11-11 原生进入 ChatGPT、Claude、Copilot Cowork、Grok Bot，底层是 Genie One MCP 服务器，用户用 Databricks 账号登录连接。
> - 聊天客户端支持 MCP 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 Databricks 与 EveryInfra 有合作或认可。
> - 同一款产品（Notion）五个公开源当天差异极大：App Store 历史总评 4.77、最近 50 条写评只有 2.34；Google Play 4.61 对 3.34；Trustpilot 1.93；G2 4.6；Capterra 4.0。
> - EveryInfra 一次评论调用 $0.001389、每千条 $1.389（目录 `price_usd`）；失败和空结果不扣费，写错参数的调用返回 `did_you_mean` 让模型自己改对。
> - 真调 14 次、合计约 $0.013，三个时刻在 00:20–00:29 SGT，含一次远程 MCP 握手、一次写错参数的往返、一次成功往返。

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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-01-two-desks.zh.light.svg)

## 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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)）。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](https://www.databricks.com/blog/announcing-ga-genie-ontology)、[产品页](https://www.databricks.com/product/genie/ontology)）。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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)）。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](https://openai.com/business/plugins/databricks/)，Claude 的连接器在 [Claude 市场](https://claude.com/marketplace/connectors/databricks)，Grok Bot 的插件在 [x.ai](https://x.ai/bot/plugin/86276802)，Microsoft Copilot Cowork 的插件在 [微软应用市场](https://marketplace.microsoft.com/en-us/product/WA200013104)。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。

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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#databricks-genie-plugins-for-chatgpt-claude-and-grok-botcursor)）。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](https://learn.microsoft.com/en-us/azure/databricks/integrations/msft-cowork)）。

![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"。](https://everyinfra.com/articles/databricks-genie-plugin/img-databricks-plugin.webp)

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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)

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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#databricks-genie-plugins-for-chatgpt-claude-and-grok-botcursor)）。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](/blog/databricks-genie-agent-public-social-review-data)，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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#ask-a-question)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#access-through-unity-gateway)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#mcp-app)）。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](https://modelcontextprotocol.io/extensions/apps/overview)）。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](https://www.databricks.com/blog/genie-one-mcp-give-any-ai-agent-right-business-context)）。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。](https://everyinfra.com/articles/databricks-genie-plugin/img-explain.webp)

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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-02-roundtrip-flow.zh.light.svg)

## 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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)）；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。

```text
{
  "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](https://modelcontextprotocol.io/specification/2025-06-18/basic/transports)）。

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](/app-store-api/reviews)、[google_play/reviews](/google-play-api/reviews)、[trustpilot/reviews](/trustpilot-api/reviews) 和 [g2/reviews](/g2-api/reviews)，平台总览在 [App Store 数据接口](/app-store-api) 和 [Trustpilot 数据接口](/trustpilot-api)。

## 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。

```text
{
  "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。](https://everyinfra.com/articles/databricks-genie-plugin/img-mcp-return.webp)

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](https://api.everyinfra.com/mcp)

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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#mcp-app)）。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](https://code.claude.com/docs/en/mcp)）。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](/build/remote-mcp-setup) 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。](https://everyinfra.com/articles/databricks-genie-plugin/img-error-return.webp)

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](https://api.everyinfra.com/mcp)

## 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。

![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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-03-source-divergence.zh.light.svg)

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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-04-lifetime-vs-recent.zh.light.svg)

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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-07-appstore-star-dist.zh.light.svg)

## 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。

![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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-05-negative-themes.zh.light.svg)

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](/docs#quickstart)有 REST 的三步，[MCP 服务器页](/mcp-server)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。](https://everyinfra.com/articles/databricks-genie-plugin/fig-06-cost-per-1k.zh.light.svg)

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](https://www.databricks.com/product/pricing/genie)、[Genie One MCP 文档"定价"一节](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations)），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](https://www.databricks.com/blog/operationalizing-genie-ontology-your-data-stack)）。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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)）。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](https://www.databricks.com/blog/genie-one-mcp-give-any-ai-agent-right-business-context)）。

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](https://www.databricks.com/blog/genie-one-mcp-give-any-ai-agent-right-business-context)）。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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations)）。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](https://docs.databricks.com/aws/en/security/network/front-end/partner-platforms)）。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](https://www.databricks.com/company/newsroom/press-releases/databricks-launches-new-always-genie-autonomous-ai-complex)）。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](https://www.databricks.com/blog/announcing-ga-genie-ontology)、[11 月发布说明](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。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](https://www.databricks.com/blog/bring-your-business-context-chatgpt-claude-microsoft-copilot-cowork-and-grok-bot)、[11 月发布说明](https://docs.databricks.com/aws/en/release-notes/product/2026/november)）。

**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](https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#databricks-genie-plugins-for-chatgpt-claude-and-grok-botcursor)）。

**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](https://www.databricks.com/product/pricing/genie)）。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`。
1. 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](/mcp-server)、远程接入见 [接入说明](/build/remote-mcp-setup)。
1. 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](/docs#quickstart)有 REST 的三步，相关做法见 [公开评论做竞品分析](/blog/agent-skills-competitor-review-analysis) 和 [在 ChatGPT 里审查门店评论](/blog/businesses-in-chatgpt-profile-reviews-audit)。

## 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
1. Databricks on AWS，《November 2026 release notes》，2026-11，https://docs.databricks.com/aws/en/release-notes/product/2026/november
1. Databricks，《Genie One MCP server》文档，2026-11，https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp
1. 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
1. 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
1. Databricks，《Genie One MCP server》文档"MCP App"一节，https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#mcp-app
1. Databricks，《Genie One MCP server》文档"Considerations"一节，https://docs.databricks.com/aws/en/agents/mcp-tools/genie-mcp#considerations
1. 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
1. 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
1. Databricks，《Operationalizing Genie Ontology in Your Data Stack》，2026-09-01，https://www.databricks.com/blog/operationalizing-genie-ontology-your-data-stack
1. Databricks，《Announcing GA of Genie Ontology》，2026-11-11，https://www.databricks.com/blog/announcing-ga-genie-ontology
1. Databricks，Genie Ontology 产品页，https://www.databricks.com/product/genie/ontology
1. 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
1. Databricks，Genie 定价页，https://www.databricks.com/product/pricing/genie
1. Databricks，Genie 产品页，https://www.databricks.com/product/genie/
1. Databricks on AWS，Genie Ontology 文档，https://docs.databricks.com/aws/en/genie/genie-ontology/
1. 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
1. 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
1. 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
1. Azure Databricks，《Azure Databricks Genie plugin for Microsoft Copilot Cowork》，2026-11，https://learn.microsoft.com/en-us/azure/databricks/integrations/msft-cowork
1. Azure Databricks，《November 2026 release notes》，2026-11，https://learn.microsoft.com/en-us/azure/databricks/release-notes/product/2026/november
1. OpenAI，ChatGPT 的 Databricks 商务插件页，https://openai.com/business/plugins/databricks/
1. Claude，Databricks 连接器（Claude 市场），https://claude.com/marketplace/connectors/databricks
1. x.ai，Grok Bot 的 Databricks 插件，https://x.ai/bot/plugin/86276802
1. Microsoft，Azure Databricks Genie 插件（应用市场），https://marketplace.microsoft.com/en-us/product/WA200013104
1. Model Context Protocol，《Transports（2025-06-18）》规范，https://modelcontextprotocol.io/specification/2025-06-18/basic/transports
1. Model Context Protocol，《Lifecycle（2025-06-18）》规范，https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle
1. Model Context Protocol，《MCP Apps》概览，https://modelcontextprotocol.io/extensions/apps/overview
1. Model Context Protocol，客户端支持矩阵，https://modelcontextprotocol.io/extensions/client-matrix
1. Model Context Protocol，介绍，https://modelcontextprotocol.io/introduction
1. GitHub，modelcontextprotocol/ext-apps（MCP Apps 扩展），https://github.com/modelcontextprotocol/ext-apps/
1. GitHub，modelcontextprotocol/python-sdk，https://github.com/modelcontextprotocol/python-sdk
1. Claude Code，MCP 文档（输出上限、落盘线），https://code.claude.com/docs/en/mcp
1. 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
1. Databricks on AWS，Unity Gateway 文档，https://docs.databricks.com/aws/en/ai-gateway/
1. Databricks on AWS，《Govern an MCP》文档，https://docs.databricks.com/aws/en/ai-gateway/govern-mcp-service
1. EveryInfra，TikTok 之外的平台数据接口目录，https://api.everyinfra.com/api/v1/social/catalog
1. Databricks，Unity Catalog 产品页，https://www.databricks.com/product/unity-catalog
1. Databricks，Unity Catalog Semantics（业务语义）页，https://www.databricks.com/product/unity-catalog/business-semantics
1. Databricks on AWS，Chat in Genie One 文档，https://docs.databricks.com/aws/en/genie-one/chat
1. Databricks on AWS，《Supported coding and work agents》文档，https://docs.databricks.com/aws/en/ai-gateway/coding-agent-supported-agents
1. Databricks on AWS，《Other MCP clients》文档，https://docs.databricks.com/aws/en/ai-gateway/coding-agent-mcp-skills
1. 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/
1. 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
