Inleiding

Gaan we af op een wereld waarin je AI-ontwikkelomgeving standaard je volledige dataplatform begrijpt? Dat is de belofte achter de Databricks AI Dev Kit: niet alleen een assistent helpen bij het schrijven van code, maar hem helpen code te schrijven met een echt begrip van de Databricks-omgeving waarin deze moet draaien.

Dat onderscheid is belangrijk. De meeste AI-codeertools zijn goed in het genereren van aannemelijke code, maar bij platformwerk gaat het zelden om aannemelijkheid. Het gaat erom de juiste API’s te gebruiken, de juiste patronen te volgen en inzicht te hebben in de diensten, gegevens en workflows die al om je heen bestaan. De Databricks AI Dev Kit overbrugt die kloof door twee bijzonder nuttige concepten voor lokale ontwikkeling te combineren: MCP en skills.

Met MCP kan een lokale AI-client verbinding maken met de daadwerkelijke mogelijkheden van Databricks, in plaats van te moeten gissen op basis van wat hij uit het hoofd weet. Dankzij de skills krijgt de assistent platformspecifieke aanwijzingen voor veelvoorkomende Databricks-taken, waardoor hij wordt gestimuleerd om betere patronen te volgen en betrouwbaardere resultaten te leveren. Samen zorgen ze ervoor dat lokale ontwikkeling minder aanvoelt als het geven van opdrachten aan een algemene chatbot, en meer als het werken met een assistent die je Databricks-werkruimte daadwerkelijk begrijpt.

Dat is wat de AI Dev Kit zo aantrekkelijk maakt: hij geeft je lokale AI-opstelling zowel de nodige vrijheid als het nodige inzicht. Dankzij MCP kan hij communiceren met het platform. Skills helpen hem te leren herkennen wat goed werk is. En wanneer die twee samenkomen, verloopt het lokale ontwikkelingsproces sneller, is het beter onderbouwd en veel minder afhankelijk van vallen en opstaan.

Maar… Genie-code?

Misschien heb je wel of niet gehoord van Genie Code, de nieuwe naam voor zijn voorganger, de Databricks Assistant. Ook wij raken soms een beetje in de war, want wat gebruik je nu precies waarvoor, en waar past elk product precies in het geheel?

De eenvoudigste manier om het te zien is als volgt: Genie Code is in Databricks geïntegreerd als de native, hoogwaardige agent-ervaring voor data- en AI-werkzaamheden, terwijl de AI Dev Kit in je lokale ontwikkelomgeving staat en ervoor zorgt dat tools als Claude Code, Cursor of Gemini beter samenwerken met Databricks. Databricks beschrijft Genie Code als een “autonome AI-partner voor datawerk”, die diep geïntegreerd is met Unity Catalog, Databricks-API's en werkruimte-ervaringen, terwijl de AI Dev Kit de toolkit is die MCP-tools en -vaardigheden naar externe codeerassistenten brengt.

Hier is een kleine vergelijkingstabel die we hebben opgesteld:

Wat de AI Dev Kit nu eigenlijk toevoegt

Voordat we iets installeren, is het handig om te begrijpen wat de Databricks AI Dev Kit nu precies toevoegt aan je lokale omgeving. In grote lijnen combineert het tools, vaardigheden en projectconfiguratie. De MCP-server geeft uw AI-client uitvoerbare toegang tot Databricks-mogelijkheden; het vaardighedenpakket leert hem Databricks-specifieke patronen; en de configuratiebestanden op projectniveau maken die context beschikbaar binnen Claude Code, VS Code of andere ondersteunde clients. In de officiële repository beschrijft Databricks dit als een toolkit voor het coderen van agents, met een MCP-server die meer dan 50 tools en een set van 20 markdown-vaardigheden voor veelvoorkomende Databricks-workflows beschikbaar stelt.

Waarom MCP belangrijk is voor lokale ontwikkeling

MCP is een van de belangrijkste concepten in de kit, omdat het je lokale AI-client de mogelijkheid biedt om te werken met daadwerkelijke functionaliteiten in plaats van te moeten gissen op basis van statische trainingsgegevens. In de praktijk betekent dit dat je assistent kan vertrouwen op uitvoerbare tools die via de Databricks MCP-server beschikbaar worden gesteld, in plaats van te moeten ‘onthouden’ hoe een Databricks-workflow eruit moet zien. In de officiële repository wordt de MCP-server expliciet neergezet als het onderdeel dat uitvoerbare acties voor AI-assistenten levert.

Voor lokale ontwikkeling is dat een grote verbetering. Zonder MCP kan een assistent nog steeds plausibele code genereren, maar plausibiliteit is niet hetzelfde als kennis van het platform. Met MCP in het proces raakt de assistent beter op de hoogte van de daadwerkelijke Databricks-werkzaamheden en kan hij werken met een beter begrip van de omgeving die hij ondersteunt. Daardoor voelt de lokale workflow minder als een reeks pogingen en fouten en meer als samenwerken met een tool die daadwerkelijk samen met jou door het platform navigeert.

Waarom ‘vaardigheden’ net zo belangrijk zijn

Misschien heb je al eens van ‘Skills’ gehoord. Als MCP de assistent handen geeft, dan geven skills hem het vermogen om te oordelen. Het skills-pakket in de AI Dev Kit is ontworpen om Databricks-specifieke patronen en best practices aan te leren, zodat het model niet alleen iets produceert dat compileert, maar iets dat weerspiegelt hoe het werk gewoonlijk op het platform wordt gedaan. Databricks biedt zelfs 'Skills Only' aan als een op zichzelf staand traject in de repository voor teams die de begeleiding willen zonder de MCP-acties.

Dat is vooral waardevol bij lokale ontwikkeling, waar veel wrijving ontstaat doordat de context steeds opnieuw moet worden uitgelegd. Je wilt dat de assistent begrijpt hoe een pijplijn moet worden gestructureerd, hoe er over governance moet worden nagedacht of hoe een Databricks-native applicatie moet worden benaderd, zonder dat die patronen telkens opnieuw moeten worden uitgelegd. Skills helpen die wrijving te verminderen door platformkennis te bundelen in herbruikbare richtlijnen die met het project meegaan.

Installatie

In de officiële repository wordt aangeraden om de AI Dev Kit te installeren op de projectniveau standaard. Dat is een belangrijke ontwerpkeuze. Het betekent dat de installatie gekoppeld is aan de map waarin je werkt, en dat je AI-client vanuit diezelfde map moet worden uitgevoerd om de configuratie correct te laten werken. Databricks merkt op dat deze projectgebonden opzet vaak goed werkt en dat configuratiebestanden zich bevinden in mappen zoals .claude, .cursor, of .gemini. In deze handleiding hebben we om voor de hand liggende redenen gekozen voor Claude Code. Alle installaties in deze handleiding zijn gebaseerd op Mac met Bash en Homebrew. Voor Windows raden we je aan om zelf de overeenkomstige PowerShell- en/of Winget-opdrachten op te zoeken. 

Vereisten

Voordat je de Databricks AI Dev Kit zelf installeert, moet je drie dingen hebben geregeld: UV, de Databricks-opdrachtregelinterface, en ten minste één ondersteunde AI-programmeeromgeving. In de officiële repository vermeldt Databricks uv, de Databricks-CLI en een AI-programmeertool zoals Claude Code, Cursor, of Gemini CLI als de belangrijkste voorwaarden.

Aangezien deze handleiding gericht is op de werkwijze van lokale ontwikkelaars, zouden we deze in deze volgorde installeren: eerst uv, vervolgens de Databricks CLI en daarna je AI-client. Zo beschik je over de Python-toolchain, de Databricks-verbindingslaag en ten slotte de editor of agentinterface die gebruikmaakt van de AI Dev Kit.

VSCode

Het spreekt voor zich dat je een IDE nodig hebt voor lokale ontwikkeling. Wij geven de voorkeur aan VSCode.

UV

Als er één tool is die centraal staat bij het instellen, dan is het wel uv. De officiële lijsten voor een snelle start uv als een vereiste, naast de Databricks CLI en een AI-codeeromgeving zoals Claude Code, Cursor of Gemini CLI. Dat is een duidelijk teken dat Databricks verwacht uv deel uitmaken van het standaardinstallatiepad, en geen optionele toevoeging zijn.

Dat betekent uv de juiste lens voor een installatiehandleiding. Dit vormt de basis om de op Python gebaseerde onderdelen van de AI Dev Kit op een nette en consistente manier in uw omgeving te integreren. Als u streeft naar een lokale installatie die snel, reproduceerbaar en overzichtelijk is, begin dan met uv is de meest natuurlijke manier om het installatieverhaal uit te leggen.

uv is de Python-pakketbeheerder die bij de installatie van de Databricks AI Dev Kit wordt gebruikt. Op de officiële installatiepagina van Astral wordt voor macOS het zelfstandige installatieprogramma aanbevolen met de volgende opdracht:

brew install uv.

Databricks-opdrachtregelinterface

Ook in de officiële installatiehandleiding van de Databricks CLI wordt Homebrew aanbevolen voor macOS. De installatiecommando’s die daarin worden vermeld, zijn:

brew tap databricks/tap

brew install databricks

Databricks-verificatie configureren

Nadat de CLI is geïnstalleerd, is authenticatie de volgende vereiste. De Databricks CLI maakt gebruik van configuratieprofielen, en Databricks beschrijft profielen als de standaardmanier om verbindingsinstellingen voor werkruimten op te slaan en opnieuw te gebruiken. Voer het volgende uit databricks auth login om uw authenticatie te starten. U wordt gevraagd om een naam, de URL van de werkruimte en een PAT-token in te voeren.

Installeer een AI-programmeeromgeving

In deze handleiding gaan we ervan uit dat je er al een hebt geïnstalleerd. Wij hebben hier voor Claude Code gekozen.

Checklist voor snelle controle

Voordat je verdergaat met de installatie van de Databricks AI Dev Kit, moet je deze opdrachten zonder problemen kunnen uitvoeren in een nieuwe terminalsessie:

uv --version

databricks version

databricks auth profiles

 claude --version (als je ook voor Claude Code als je AI-client hebt gekozen).

Dit geeft je de zekerheid dat de Python-toolchain, de Databricks-verbindingslaag en de AI-omgeving allemaal klaar zijn voor gebruik.

 

Installeer de Databricks AI Dev Kit

Nu aan alle voorwaarden is voldaan, is de volgende stap het installeren van de Databricks AI Dev Kit in het project waaraan u daadwerkelijk wilt werken. De officiële repository raadt standaard een installatie op projectniveau aan, wat meestal de juiste keuze is omdat hierdoor de MCP-configuratie, vaardigheden en gerelateerde instellingen aan de codebase blijven gekoppeld in plaats van aan uw hele machine. Databricks wijst ook op een belangrijk gevolg van die keuze: u moet uw AI-client uitvoeren vanuit de exacte map waar de installatie is uitgevoerd, omdat daar de projectgebonden configuratie zich bevindt.

Dat detail is het vermelden waard, omdat het veel verwarring bij de installatie voorkomt. Als de installatie slaagt, maar je later een andere map opent in je editor of terminal, ziet je AI-assistent de MCP-installatie of de projectspecifieke aanwijzingen mogelijk niet meer. Met andere woorden: bij de installatie gaat het niet alleen om het plaatsen van bestanden op de schijf, maar ook om het installeren ervan in de juiste werkmap.

Voer nu het volgende uit (vanuit de hoofdmap van je projectmap!):

bash <(curl -sL https://raw.githubusercontent.com/databricks-solutions/ai-dev-kit/main/install.sh)

Hier worden ook de installatievereisten gecontroleerd:

 

 

 

 

 

 

 

Bevestig hier de lokale AI van je keuze. Zoals gezegd hebben we in dit artikel voor Claude Code gekozen.

In grote lijnen komt deze stap erop neer dat je je lokale AI-omgeving koppelt aan de kernonderdelen van de repository: de MCP-server, het skills-pakket en de projectspecifieke configuratie die ondersteunde clients vertelt hoe ze deze moeten gebruiken. In het gedeelte „Wat zit erbij?“ van de README worden deze componenten als volgt beschreven: databricks-mcp-server voor uitvoerbare hulpprogramma’s, databricks-skills voor richtlijnen op basis van Markdown, databricks-tools-core voor herbruikbare Python-functies, en databricks-builder-app voor een volledige ervaring op het gebied van chatontwikkeling.

Vervolgens wordt je gevraagd welk Databricks-profiel je wilt gebruiken; kies het profiel dat je eerder bij de voorbereidingen hebt ingesteld. Zorg er na deze stap voor dat je ‘Project’ selecteert, zoals we eerder hebben besproken.

 

 

 

Daarna wordt je gevraagd om aan te geven welke vaardigheden je wilt installeren. We raden je aan om gewoon voor ‘Alle vaardigheden’ te kiezen, want waarom ook niet 🙂

Je wordt nu gevraagd om de locatie van de MCP-server op te geven. Behoud de standaardlocatie van de MCP-server en druk op Enter. Hierdoor wordt de gedeelde Python-runtime voor de MCP-server in een centrale map op je computer geïnstalleerd, terwijl de projectspecifieke configuratie in je huidige repository blijft staan.

Ga verder met de installatie door het laatste deel te bevestigen. Hiermee wordt de MCP-server geconfigureerd, worden de skills geïnstalleerd, wordt er geauthenticeerd met behulp van het profiel, enz. Je VSCode zou nu een . moeten weergeven.ai-dev-kit en .skills map.

Laten we het eens uitproberen!

Nou, dat is gelukt! Je hebt de Databricks AI Dev Kit nu geïnstalleerd en geconfigureerd, maar laten we eens kijken of hij ook werkt, oké?

Probeer het eens door Claude Code (of je eigen AI) het volgende te vragen: „Geef een overzicht van al mijn schema’s en tabellen in catalogus x.“ Jekunt dit doen via de Claude Code CLI of de officiële VSCode-extensie (die vind ik erg handig!).

Als alles goed is gegaan, zou je nu een reactie moeten krijgen. Hier zijn nog enkele andere suggesties:

• Maak een Databricks-taak aan die notebook x dagelijks om 06.00 uur uitvoert.
• Help me bij het opzetten van een Spark Declarative Pipeline voor het inlezen van bronzen en zilveren gegevens.
• Geef me het beste stappenplan voor het bouwen van een AI/BI-dashboard op Databricks.
• Maak een startopzet voor een Databricks-app voor dit gebruiksscenario.

Deze prompts zijn nuttig omdat ze beide onderdelen van de AI Dev Kit testen. De assistent heeft de MCP-tools nodig om te communiceren met de functies van Databricks, en hij heeft de vaardighedenlaag nodig om te reageren met Databricks-specifieke patronen in plaats van generieke code.

Laatste gedachten

De Databricks AI Dev Kit is niet interessant omdat hij betere automatische aanvulling belooft, maar omdat hij de weg wijst naar een beter ontwikkelingsmodel. In plaats van een algemene assistent te vragen zich een weg te banen door een complex dataplatform, biedt de kit die assistent meer context, meer structuur en een veel beter inzicht in hoe het werk bij Databricks daadwerkelijk wordt gedaan.

Dat is waar MCP en skills echt hun nut bewijzen. MCP zorgt ervoor dat de assistent beter aansluit bij de praktijk door hem te koppelen aan daadwerkelijke mogelijkheden. Skills maken hem nuttiger door hem te richten op Databricks-specifieke patronen en workflows. Combineer die twee, en lokale ontwikkeling voelt steeds minder als het bedenken van prompts en steeds meer als het werken met een tool die het terrein door en door kent.

Dat is ook de reden waarom een ‘uv-first’-opstelling zinvol is. Het zorgt ervoor dat de installatie praktisch en reproduceerbaar blijft, en aansluit bij de manier waarop veel ontwikkelaars hun Python-gebaseerde tools al beheren. En als je dat combineert met een installatie op projectniveau, krijg je een opstelling die mee reist met de repository, in plaats van ergens anders op je computer als een mysterieuze configuratie te blijven bestaan.

In die zin is de Databricks AI Dev Kit niet zomaar een hulpprogramma voor ontwikkelaars. Het geeft een klein voorproefje van de richting waarin AI-ontwikkelomgevingen zich lijken te ontwikkelen: naar assistenten die niet alleen code genereren, maar ook het platform, de workflow en de context rondom de code begrijpen.

En dat is misschien wel de kern van deze hele handleiding. Het doel is niet alleen om weer een nieuwe tool te installeren. Het is om je lokale AI-omgeving wat overzichtelijker te maken en veel beter af te stemmen op Databricks.

Goed om te weten!

Een van de belangrijkste dingen die je moet weten over de AI Dev Kit is dat niet elke prompt voor het ‘aanmaken van een taak’ hetzelfde inhoudt. Soms kan de assistent een MCP-tool gebruiken om de taak rechtstreeks in Databricks aan te maken, en soms kan hij je helpen de taakdefinitie als code in je repository te genereren, klaar om bijvoorbeeld via Databricks Declarative Automation Bundles (DAB’s) te worden geïmplementeerd. Dat onderscheid is belangrijk. De ene methode is sneller voor snelle uitvoering; de andere is beter voor versiebeheer, beoordeling en herhaalbaarheid. Met andere woorden, de echte kracht van de AI Dev Kit is niet alleen dat deze u kan helpen bij het bouwen op Databricks, maar ook dat deze zowel de directe workflow als de 'infrastructure-as-code'-workflow kan ondersteunen, afhankelijk van hoe u wilt werken.

Vaardigheden en MCP-servers up-to-date houden

Aangezien de Databricks AI Dev Kit een gedeelde MCP-runtime en configuratie op projectniveau installeert, is de eenvoudigste onderhoudsstrategie om het installatieprogramma regelmatig opnieuw uit te voeren met de optie ‘force’ ingeschakeld. In de officiële repository worden de opties voor geforceerde herinstallatie voor zowel macOS/Linux als Windows beschreven, en uit recente release-opmerkingen blijkt dat herinstallatie met --force wordt ook gebruikt om de MCP-server bij te werken.

Een handige tip is om de AI Dev Kit te vernieuwen wanneer je aan een nieuw project begint, wanneer je merkt dat er nieuwe skills of MCP-mogelijkheden in de releases van de repository zijn opgenomen, of wanneer je lokale installatie afwijkt van de voorbeelden in de huidige README. De GitHub-releasepagina is de beste plek om op de hoogte te blijven van wijzigingen in skills, MCP-tools en het gedrag van het installatieprogramma.

Onze persoonlijke aanbeveling zou zijn:

• Controleer af en toe de releases

• Voer de installatie opnieuw uit met --force indien nodig

• Bewaar configuraties die specifiek voor een project gelden in de repository

• Pas gedeelde runtime-locaties niet handmatig aan, tenzij dat echt nodig is