Vous êtes ici :
Référence de l'outil serveur Tableau Next Model Context Protocol (MCP)
Tableau Next MCP (Model Context Protocol) Server fournit une suite d'outils qui permettent aux agents IA externes d'interagir avec votre écosystème analytique.
Éditions requises
| Afficher les éditions prises en charge. |
Une fois la configuration initiale terminée, il n'est plus nécessaire de sélectionner ou de configurer manuellement ces outils. Posez des questions en langage naturel à votre client IA compatible MCP préféré (tel que ChatGPT, Claude ou Cursor), qui sélectionne automatiquement les outils appropriés pour la tâche.
Par exemple, lorsque vous demandez « Quelles sont mes meilleures ventes de produits en 2025 ? », l'agent IA utilise l'outil Analytics Q&A analysis_data pour interroger vos données régies via Concierge. L'intégration renvoie des réponses et des visualisations précises directement depuis votre interface de chat.
Pour la documentation, les outils disponibles sont regroupés par leur rôle fonctionnel dans un workflow analytique.
Analyse
Les agents IA externes conformes MCP utilisent ces outils pour interroger des données et explorer des actifs visuels.
| Nom de l'outil | Description / Entrées | Retours | Utiliser quand |
|---|---|---|---|
analyze_data |
Exécutez une question en langage naturel via l'agent Analytics par rapport à un modèle sémantique cible. |
answer (string; natural-language result). Aucune métadonnées ni SQL. |
Vous souhaitez que l'agent réponde à une question. En cas d'échec d'une question complexe, divisez-la en plusieurs questions plus simples pour récupérer des informations importantes et réfléchir en profondeur côté client. N'utilisez pas cet outil pour la découverte de métadonnées. |
list_dashboards |
Énumérer les tableaux de bord Tableau Next (métadonnées uniquement) pour la découverte et la sélection | Éléments avec id, nom/étiquette, espace de travail propriétaire (id/nom), lastModifiedDate (si disponible). | Vous avez besoin d'identifiants de tableau de bord ou pour parcourir les tableaux de bord (pour les métadonnées). |
get_dashboard |
Récupérez un tableau de bord unique. | Métadonnées complètes du tableau de bord. | Vous avez besoin de tous les détails d'un tableau de bord spécifique. |
list_visualizations |
Énumérez des visualisations/feuilles de calcul (métadonnées uniquement) dans Tableau Next. | Éléments avec ID, nom/étiquette, tableau de bord/classeur parent, espace de travail propriétaire, horodatage. | Vous devez découvrir des graphiques ou des feuilles de calcul par nom ou parent.Pas pour des images ou des résultats de requête |
get_visualization |
Récupérez une seule visualisation. | Métadonnées de visualisation complètes. | Vous avez besoin de tous les détails d'une visualisation spécifique. |
Découverte de la structure du modèle sémantique
Les agents IA externes conformes MCP utilisent ces outils pour comprendre les schémas, les relations et les vues logiques de Tableau Next. Les agents utilisent cette architecture de données pour comprendre les tableaux et les connexions dans Tableau Next.
| Nom de l'outil | Description / Entrées | Retours | Utiliser quand |
|---|---|---|---|
list_semantic_models |
Énumérez les modèles sémantiques disponibles pour l'appelant. | count, items [ ] with id, apiName, label, description facultative, espace de données, categories. | Vous devez sélectionner le modèle sémantique à cibler ensuite. |
get_semantic_model |
Récupérez le profil d'un modèle sémantique unique, y compris les préférences métiers. | apiName, label, businessPreferences (chaîne avec le nombre de lignes directrices) et d'autres propriétés du modèle sémantique. | Vous avez besoin de règles/guides au niveau du modèle avant d'interroger ou d'explorer les internes. |
list_semantic_model_data_objects |
Répertorier les objets/entités de données définis dans un modèle sémantique. | items[ ] avec apiName, label, dataObjectName, filters[ ]. |
Vous devez énumérer les blocs de construction (tableaux/entités) d'un modèle sémantique. |
list_semantic_model_relationships |
Répertorier les relations entre les objets de données dans un modèle sémantique. | items[ ] avec apiName, label, leftSemanticDefinitionApiName, rightSemanticDefinitionApiName, joinType, criteria. | Vous devez énumérer les relations entre les objets de données dans un modèle sémantique. |
get_semantic_model_logical_view |
Récupérez la structure d'une vue logique unique. | apiName, label, semanticDataObjects[ ] (objets dans la vue), semanticRelationships[ ] (jointures), semanticUnions[ ] , filters[ ]. | Vous devez comprendre le graphique de jointure et les champs exposés d'une vue spécifique. |
Logique métier et définitions
Les agents IA externes conformes MCP utilisent ces outils pour identifier des indicateurs de performance clés Tableau Next spécifiques et une logique de calcul.
| Nom de l'outil | Description / Entrées | Retours | Utiliser quand |
|---|---|---|---|
list_semantic_model_measures |
Répertorier les mesures d'un objet de données spécifique dans un modèle sémantique (champs numériques utilisés pour l'agrégation). | Mesurez les métadonnées par objet (nom/apiName, étiquette, type de données, rôle) lorsqu'elles sont disponibles. | Vous avez besoin de champs agrégeables exposés par un objet spécifique. |
list_semantic_model_dimensions |
Répertorier les dimensions d'un objet de données spécifique dans un modèle sémantique (champs catégoriques/dates/textes utilisés pour le regroupement/découpage). | Métadonnées de dimension par objet (nom/apiName, étiquette, type de données, rôle) lorsqu'elles sont disponibles. | Les champs groupés par doivent être exposés par un objet spécifique. |
list_semantic_model_metrics |
Répertorier les métriques métiers/indicateurs de performance clés définis dans un modèle sémantique. | métriques[ ] avec apiName, label. | Vous avez besoin d'indicateurs de performance clés nommés plutôt que de champs bruts ou de formules. |
get_semantic_model_metric |
Récupérez la définition complète d'une métrique/indicateur de performance clé unique. | apiName, label, measurementReference (par exemple, calculatedFieldApiName), timeDimensionReference (table/field), additionalDimensions, timeGrains[ ], filters[ ], aggregationType, isCumulative. | Vous devez comprendre exactement comment un indicateur de performance clé est calculé et découpé. |
list_semantic_model_calculated_dimensions |
Répertoriez les dimensions calculées (expressions définies par l'utilisateur qui renvoient catégorique/date/texte) dans un modèle sémantique. | Entrées de dimension calculées avec des identifiants, des étiquettes et (si disponible) des détails d'expression/de saisie. | Vous avez besoin de champs de regroupement dérivés définis au niveau du modèle. |
list_semantic_model_calculated_measures |
Répertorier les mesures calculées (expressions numériques définies par l'utilisateur/agrégations) dans un modèle sémantique. | items[ ] avec apiName, label, dataType, expression, displayCategory, level (par exemple, Row, AggregateFunction), aggregationType. | Vous avez besoin de champs dérivés numériques et de leurs formules (blocs de construction pour les indicateurs de performance clés/métriques). |
Espace de travail et découverte générale des actifs
Les agents IA externes conformes MCP utilisent ces outils pour naviguer dans l'environnement Tableau Next et rechercher des actifs analytiques pertinents.
| Nom de l'outil | Description / Entrées | Retours | Utiliser quand |
|---|---|---|---|
list_workspaces |
Énumérez les espaces de travail ou récupérez-en un par ID lorsqu'il est fourni. | espaces de travail[ ] avec id, name, label, description, createdBy/Date, lastModifiedBy/Date, autorisations (view/edit/share/delete), url. | Vous avez besoin de conteneurs et du contexte d'accès pour les actifs. |
list_workspace_assets |
Répertorier les actifs contenus dans un espace de travail spécifique. | workspaceAssets[ ] avec assetId, assetType (AnalyticsDashboard | AnalyticsVisualization | SemanticModel), assetUsageType (Created | Referenced), createdBy (id/name), createdDate, url. | Vous avez besoin de tableaux de bord, de visualisations et de modèles sémantiques limités à un espace de travail. |
search_assets |
Recherchez des actifs en utilisant un mot-clé et un filtre de type facultatif pour découvrir rapidement les éléments pertinents. | assets[ ] comprenant id, name, type, createdBy, createdDate, lastModifiedBy, lastModifiedDate. | Vous avez besoin d'une découverte large ou initiale des actifs. Si vous devez parcourir des actifs dans une hiérarchie structurée, utilisez à la place des outils de liste. |
