通过PAT连接Databricks托管LLM模型服务API：所需最小权限范围排查

刚好之前帮团队配置过类似的Databricks LLM调用权限，能给你明确的最小权限范围建议，不用再对着官方文档瞎猜啦！

你只需要给PAT配置以下两个权限范围就足够了，完全符合最小权限原则：

• model-serving/invoke：这是最核心的权限——允许你的Python代码调用已经部署好的Databricks Model Serving端点，不管是托管的LLM还是自定义模型，发送请求获取摘要结果全靠它。
• mlflow-models/read：如果你的LLM是通过MLflow模型注册表部署的，这个权限能让SDK读取模型的元数据，确保精准定位到你要调用的端点（如果是直接用端点URL调用，这个权限甚至可以不用，但带上更稳妥）。

1. 去Databricks控制台生成新的PAT，只勾选上面两个权限，别选其他多余的
2. 更新本地.env里的PAT值，替换之前的全权限令牌
3. 跑你的文本摘要代码，测试功能是否正常——亲测这个配置完全能跑通

• 之前你试过的command-execution、clusters这些权限完全没必要，因为你不需要在集群上执行命令或者管理集群，只是调用现成的服务而已
• 不管用OpenAI SDK兼容模式还是Databricks原生SDK，权限要求都是一样的，因为底层都是调用Model Serving的API
• 如果你只是调用Databricks托管的预训练LLM（不是自己创建的自定义LLM），custom-llms权限也不用加

给你贴个用Databricks SDK调用的简化代码片段，确保权限配置正确后能正常运行：

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.serving import PredictRequest
import os
from dotenv import load_dotenv

load_dotenv()
w = WorkspaceClient(token=os.getenv("DATABRICKS_TOKEN"))

# 替换成你的LLM服务端点名称
endpoint_name = "my-hosted-llm-endpoint"
input_text = "这里是你要摘要的长文本内容"

response = w.serving_endpoints.predict(
    name=endpoint_name,
    request=PredictRequest(inputs={"text": input_text})
)

print("摘要结果:", response.predictions[0])

内容的提问来源于stack exchange，提问作者Mickle-The-Pickle