Ti trovi qui:
Riferimento per lo strumento server MCP (Next Model Context Protocol) di Tableau
Tableau Next MCP (Model Context Protocol) Server offre una suite di strumenti che consentono agli agenti AI esterni di interagire con l'ecosistema analitico.
Versioni (Edition) richieste
| Visualizzare le versioni supportate. |
Dopo aver completato l'impostazione iniziale, non è più necessario selezionare o configurare manualmente questi strumenti. Porre domande al client AI compatibile con MCP preferito (ad esempio ChatGPT, Claude o Cursore) utilizzando un linguaggio naturale e selezionare automaticamente gli strumenti giusti per l'operazione.
Ad esempio, quando si chiede "Quali sono le mie migliori vendite di prodotti nel 2025?", l'agente AI utilizza lo strumento di domande e risposte Analytics analyze_data per eseguire query sui dati gestiti tramite Concierge. L'integrazione restituisce risposte e visualizzazioni accurate direttamente nell'interfaccia chat.
Per scopi di documentazione, gli strumenti disponibili sono raggruppati in base al loro ruolo funzionale all'interno di un flusso di lavoro di analisi.
Analisi
Gli agenti AI esterni conformi a MCP utilizzano questi strumenti per eseguire query sui dati ed esplorare gli asset visivi.
| Nome strumento | Descrizione / Input | Restituisce | Usa quando |
|---|---|---|---|
analyze_data |
Eseguire una domanda in linguaggio naturale tramite l'agente Analytics rispetto a un modello semantico di destinazione. |
answer (string; natural-language result). Nessun metadati o SQL. |
Si desidera che l'agente risponda a una domanda. Se una domanda complessa non riesce, suddividerla in più domande più semplici per recuperare le informazioni chiave ed eseguire una riflessione approfondita sul lato del cliente. Non utilizzare questo strumento per l'individuazione dei metadati. |
list_dashboards |
Enumerazione dei cruscotti digitali Tableau Next (solo metadati) per l'individuazione e la selezione | Voci con id, nome/etichetta, area di lavoro titolare (id/nome), lastModifiedDate (se disponibile). | Sono necessari identificatori di cruscotti digitali o per sfogliare i cruscotti digitali (per i metadati). |
get_dashboard |
Recuperare un singolo cruscotto digitale. | Metadati completi del cruscotto digitale. | Sono necessari i dettagli completi di un cruscotto digitale specifico. |
list_visualizations |
Enumerare le visualizzazioni/fogli di lavoro (solo metadati) in Tableau Next. | Voci con ID, nome/etichetta, cruscotto digitale/cartella di lavoro controllante, area di lavoro di proprietà, indicazioni orarie. | È necessario individuare i grafici o i fogli di lavoro per nome o controllante.Non per le immagini o i risultati delle query |
get_visualization |
Recuperare una singola visualizzazione. | Metadati di visualizzazione completi. | Sono necessari i dettagli completi di una visualizzazione specifica. |
Individuazione della struttura del modello semantico
Gli agenti AI esterni conformi a MCP utilizzano questi strumenti per comprendere gli schemi, le relazioni e le visualizzazioni logiche di Tableau Next. Gli agenti utilizzano questa architettura dei dati per dare un senso alle tabelle e alle connessioni all'interno di Tableau Next.
| Nome strumento | Descrizione / Input | Restituisce | Usa quando |
|---|---|---|---|
list_semantic_models |
Enumerare i modelli semantici disponibili per il chiamante. | conteggio, voci [ ] con id, apiName, etichetta, descrizione facoltativa, spazio dati, categorie. | È necessario scegliere il modello semantico successivo. |
get_semantic_model |
Recuperare il profilo di un singolo modello semantico, incluse le preferenze aziendali. | apiName, label, businessPreferences (stringa con # linee guida) e altre proprietà del modello semantico. | Sono necessarie regole/guida a livello di modello prima di eseguire query o esplorare elementi interni. |
list_semantic_model_data_objects |
Elencare gli oggetti/le entità dati definiti in un modello semantico. | items[ ] con apiName, label, dataObjectName, filters[ ]. |
È necessario enumerare i componenti base (tabelle/entità) di un modello semantico. |
list_semantic_model_relationships |
Elencare le relazioni tra gli oggetti dati in un modello semantico. | items[ ] con apiName, label, leftSemanticDefinitionApiName, rightSemanticDefinitionApiName, joinType, criteria. | È necessario enumerare le relazioni tra gli oggetti dati in un modello semantico. |
get_semantic_model_logical_view |
Recuperare la struttura di una singola visualizzazione logica. | apiName, label, semanticDataObjects[ ] (oggetti nella visualizzazione), semanticRelationships[ ] (join), semanticUnions[ ] , filters[ ]. | È necessario conoscere il grafico join e i campi esposti di una visualizzazione specifica. |
Logica aziendale e definizioni
Gli agenti AI esterni conformi a MCP utilizzano questi strumenti per identificare KPI Tableau Next e logica di calcolo specifici.
| Nome strumento | Descrizione / Input | Restituisce | Usa quando |
|---|---|---|---|
list_semantic_model_measures |
Elencare le misure di un oggetto dati specifico in un modello semantico (campi numerici utilizzati per l'aggregazione). | Misurare i metadati per oggetto (nome/apiName, etichetta, tipo di dati, ruolo) se disponibili. | Sono necessari campi aggregabili esposti da un oggetto specifico. |
list_semantic_model_dimensions |
Dimensioni elenco per un oggetto dati specifico in un modello semantico (campi categoria/data/testo utilizzati per raggruppare/affettare). | Metadati delle dimensioni per oggetto (nome/apiName, etichetta, tipo di dati, ruolo) se disponibili. | Sono necessari i campi raggruppati per esposti da un oggetto specifico. |
list_semantic_model_metrics |
Elencare le metriche aziendali/KPI definite in un modello semantico. | metrics[ ] con apiName, label. | Sono necessari KPI denominati anziché campi non elaborati o formule. |
get_semantic_model_metric |
Recuperare la definizione completa di una singola metrica/KPI. | apiName, label, measurementReference (es. CalculatedFieldApiName), timeDimensionReference (table/field), additionalDimensions, timeGrains[ ], filters[ ], aggregationType, isCumulative. | È necessario capire esattamente come viene calcolato e suddiviso un KPI. |
list_semantic_model_calculated_dimensions |
Elencare le dimensioni calcolate (espressioni definite dall'utente che restituiscono categoria/data/testo) in un modello semantico. | Voci dimensione calcolate con identificatori, etichette e (ove disponibili) dettagli di espressione/battitura. | Sono necessari campi di raggruppamento derivati definiti a livello di modello. |
list_semantic_model_calculated_measures |
Elencare le misure calcolate (espressioni numeriche/aggregazioni definite dall'utente) in un modello semantico. | items[ ] con apiName, label, dataType, expression, displayCategory, level (es. Row, AggregateFunction), aggregationType. | Sono necessari i campi derivati numerici e le relative formule (componenti base per KPI/metriche). |
Area di lavoro e individuazione generale degli asset
Gli agenti AI esterni conformi a MCP utilizzano questi strumenti per navigare nell'ambiente di Tableau Next e cercare asset analitici pertinenti.
| Nome strumento | Descrizione / Input | Restituisce | Usa quando |
|---|---|---|---|
list_workspaces |
Enumerare le aree di lavoro o recuperarne una in base all'ID, quando specificato. | workspaces[ ] con id, nome, etichetta, descrizione, createdBy/Date, lastModifiedBy/Date, autorizzazioni (view/edit/share/delete), url. | Sono necessari contenitori e contesto di accesso per gli asset. |
list_workspace_assets |
Elencare gli asset contenuti in un'area di lavoro specifica. | workspaceAssets[ ] con assetId, assetType (AnalyticsDashboard | AnalyticsVisualization | SemanticModel), assetUsageType (Created | Referenced), createdBy (id/name), createdDate, url. | Sono necessari cruscotti digitali, visualizzazioni e modelli semantici limitati a un'area di lavoro. |
search_assets |
Cercare gli asset utilizzando una parola chiave e un filtro di tipo facoltativo per individuare rapidamente gli elementi pertinenti. | asset[ ] tra cui id, nome, tipo, createdBy, createdDate, lastModifiedBy, lastModifiedDate. | È necessaria un'individuazione ampia o iniziale degli asset. Se è necessario esplorare gli asset in una gerarchia strutturata, utilizzare gli strumenti elenco. |
