智能体MCP 实现数据可视化分析

已于 2025-04-22 15:30:22 修改
阅读量224 收藏
点赞数
分类专栏： 深度学习 文章标签： 信息可视化 mcp 大模型 ai 智能体 ai数据可视化
于 2025-04-22 14:58:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42357472/article/details/147422065
版权

参考：

在线体验

https://www.doubao.com/chat/
在这里插入图片描述

下载安装离线体验

WPS软件上的表格分析
在这里插入图片描述

云上创建

阿里mcp：https://developer.aliyun.com/article/1661198 （搜索加可视化）

在这里插入图片描述

案例

用cline 或者cherry studio实现

mcp server：excel-mcp-server、quickchart-mcp-server
了解本专栏 订阅专栏 解锁全文 超级会员免费看
5篇2章6节：文献计量学的可视化与引文信息分析
DAT｜R科学与人工智能
11-23 433
文献计量学为研究领域的宏观分析提供了强有力的工具，而可视化技术和引文信息分析则是文献计量学中不可或缺的两大支柱。通过合理利用这些工具，我们不仅能够更加直观地把握领域的发展态势，还可以准确识别重要的学术资源。未来，随着数据分析技术的进步，文献计量学的可视化和引文分析必将发挥更大的作用，为科学研究提供更多支持和洞察。
MCP Server/Client 源码逐行拆解：构建稳定可控的智能体通信协议
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
04-24 824
在 Agentic AI 系统中，智能体的调度与状态管理依赖于稳定的通信协议支持。MCP（Middle Control Protocol）不仅是任务流的传递中枢，更是系统稳定性的保证。本篇将从源码层面深入剖析 **MCP Server 与 Client 的全链路实现**，逐行讲解注册、任务派发、心跳同步、ACK 反馈等机制，帮助你彻底掌握构建高可用 Agent 通信架构的底层逻辑。
Tableau数据可视化与仪表盘搭建-基础图表制作
m0_72232218的博客
01-06 754
按住ctrl再拖“预测”，就会出现那个添加预测的小框，也可以直接双击“预测”去添加预测。上面的是把每年的同一个月合计显示成当月数据了，所以不连续。不用担心跨表的运行，tableau会帮我们自动算好。这里会出现+，点击+，就会自动进行向下的下钻。上图中的图形可以进行条形图与柱状图的转换。下面的是每年的月份都是独立显示且日期连续。我们可以计算一下每天的cpc和GMV之比。将GMV复制到标签上，可以显示GMV。数值的话，有一个可以拖拽的区域。我们可以将默认的单位改成 天。上面这个月是一个离散的标签的月。
质变科技发布自主数据分析MCP Server
AI_DataCloud的博客
04-14 1075
质变科技正式发布Relyt AI MCP（Model Context Protocol），结合Relyt AI 在自主数据分析领域的前沿积累与MCP的开放连接能力，我们为用户带来了一个更智能、更灵活的数据交互生态系统。这一发布不仅拓展了Relyt AI的技术生态，也为130万企业和个人数据分析用户解锁了Agentic AI的无限潜力。
大模型实战：LangGraph+MCP+Ollama：打造强大的多智能体聊天机器人
2401_85373691的博客
04-09 1067
如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
一键部署 Dify + MCP Server，高效开发 AI 智能体应用
Serverless 社区
04-11 749
全球 AI 开发者正在见证一场 “AI 智能体革命”。从 2024 年 Dify.ai 发布开源框架 Dify以来，到全球开发者基于其快速构建的智能客服、企业知识库、AI 营销助手等场景应用，GitHub 上已有超过 2.3 万个 AI 应用项目诞生。如今，MCP 的协议也异军突起，大量基于 MCP 协议的 MCP Server 应用涌上市场，它解决了各个模块之间交互不统一的问题，让一切现有传统应用就像 USB 接口一样，随意在 AI 智能体上插拔使用。
借助MCP实现自动化测试：思路全解析
Da_Zhuang的博客
04-10 1148
对测试人员：无需精通复杂代码，通过自然语言提示词即可设计测试流程，聚焦业务逻辑而非技术实现。对开发团队：通过标准化MCP服务接口，快速接入不同测试工具（Web/APP/桌面端），实现跨平台测试的统一管理。对企业：降低自动化测试门槛，加速CI/CD（持续集成/持续部署）流程，让“全链路自动化测试”从高端技术转化为普惠工具。随着大模型与MCP生态的深度融合，未来的自动化测试将更加智能——不仅能执行预设步骤，还能通过历史测试数据自主优化提示词、动态调整测试策略，真正实现“AI驱动的自动化测试”。
Anthropic推出模型上下文协议MCP，解锁智能体万能手接口
ai_tech_talk的博客
03-14 1468
告别旧模式，MCP 重塑 AI 应用生态。
MCP模型上下文协议：AI人工智能模型训练的自动化调参
AI天才研究院
04-12 893
在AI模型训练过程中，超参数调优一直是耗时且需要专业知识的环节。MCP模型上下文协议旨在解决这一痛点，通过建立模型训练过程中的上下文感知机制，实现智能化的自动参数调整。本文范围涵盖MCP协议的理论基础、实现细节、数学原理以及实际应用案例。文章首先介绍MCP的基本概念和背景，然后深入解析其核心算法和数学原理。接着提供一个完整的Python实现案例，讨论实际应用场景，最后展望未来发展趋势。附录部分包含常见问题解答和扩展阅读资源。MCP模型。
开源模型应用落地-模型上下文协议（MCP）-可视化工具-调式实战（四）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
04-11 8103
通过官方提供的可视化工具，高效调式MCP Server实现逻辑
AI大模型多智能体技术极简教程: Function Call、MCP Server、Agent2Agent、MultiAgent系统架构等
AI天才研究院
04-16 120
大模型（如GPT-4、Llama 3）虽具备强大的语言理解能力，但原生缺乏“调用外部工具”和“多角色协作”的能力。MCP ServerMultiAgent系统：让大模型“能调用工具”（如API、数据库）；：让智能体“能互相对话”（如客服Agent与数据分析Agent协作）；MCP Server：让多智能体“能高效协调”（任务分配、冲突解决）；MultiAgent系统：让整体“能完成复杂任务”（如电商全链路服务）。
Chatlog：解锁微信聊天数据的MCP工具，实现本地化与API化的数据访问——技术解析与应用场景深度分析
最新发布
这里汇聚了前沿的技术分享与实用的开发技巧，带你探索从创意到企业的技术创业之路。
04-25 3
Chatlog通过技术手段打破了微信数据的“黑箱”，为开发者、企业及个人提供了数据访问与分析的利器。在合法合规的前提下，它不仅简化了数据管理流程，更为AI与自动化工具的深度集成奠定了基础。随着开源社区的持续迭代，其应用场景将不断扩展，成为数字时代数据驱动的重要基础设施。）的出现填补了这一空白，通过直接解析微信本地数据库文件，提供命令行工具与API接口，实现微信数据的高效提取与自动化管理。本文将深入解析其技术实现、应用场景及使用价值。然而，微信官方API对开发者权限的限制，使得开发者难以直接访问本地数据。
BERT 获取最后一层或每一层网络的向量输出
热门推荐
weixin_42357472的博客
10-21 1万+
参考：https://zhuanlan.zhihu.com/p/422533717 https://blog.csdn.net/sunyueqinghit/article/details/105157609 transformer输出的结果 last_hidden_state：shape是(batch_size, sequence_length, hidden_size)，hidden_size=768,它是模型最后一层输出的隐藏状态 pooler_output：shape是(batch_size, hid
maskrcnn-benchmark训练自己数据集用于视觉分割
weixin_42357472的博客
06-23 1万+
1、标记数据用labelme，建议用ubuntu版本去做，因为window可能因为这个需要环境改变影响其他，自己犯过这个问题 https://github.com/wkentaro/labelme 2、labelme转化成coco数据集用于分割任务 labelme2coco.py进行转化 # -*- coding:utf-8 -*- import argparse import json im...
ollama 模型国内加速下载，制作自定义Modelfile模型文件；ollama模型导出
weixin_42357472的博客
07-16 1万+
参考： https://www.zhihu.com/question/640579563/answer/3562899008 https://github.com/ollama/ollama/blob/main/docs/modelfile.mdollama主要的模型文件格式是gguf，可以在modelscope或huggingface上下载huggingface： 2、下载gguf模型加载使用 1）查看Modelfile格式 ollama show qwen:14b --modelfile 2）创建自己
cursor AI代码编辑器IDE对接deepseek模型api；字节ai编辑器trae
weixin_42357472的博客
09-13 1万+
参考： https://www.cursor.com/ https://platform.deepseek.com/https://www.cursor.com/下载安装后，注册账号登录即可 再高级里选择设置 再模型这注册模型： 模型名称一定要填正确，url地址填好，最后填上秘钥验证
CLIP 与 SigLIP 文本图像对其算法学习理解
weixin_42357472的博客
03-12 1万+
参考： https://github.com/openai/CLIPCLIP：batch内的图文对做多分类softmax；比如下图第一行表示第一个文本与batch内哪个图片匹配（多分类）；除了行还计算列，比如第一列表示第一个图片与batch内哪个文本匹配SigLIP：batch内的图文对做二分类sigmod；比如下图第一行表示 第一个文本分别与batch内每个图片做二分类 CLIP SigLIP 2*np.eye(n) - np.ones(n) 构建了label的矩阵，-1或者1的二分类；例如下列n=3
神经网络 Embedding层理解； Embedding层中使用预训练词向量
weixin_42357472的博客
10-21 9794
Embedding：高维稀疏特征向量到低维稠密特征向量的转换；嵌入层将正整数（下标）转换为具有固定大小的向量 Embedding 字面理解是 “嵌入”，实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。 应用： 在深度学习推荐系统中，Embedding主要的三个应用方向： 1、在深度学习网络中作为Embedding层，完成从高维稀疏特征向量到低维稠密特征向量的转换； 2、作为预训练的Embedding特征向量，与其
bert4keras、transformers 加载预训练bert模型、句向量cls，字向量提取；tokenizer使用
weixin_42357472的博客
12-08 9171
bert4keras 分词器 Tokenizer from bert4keras.models import build_transformer_model from bert4keras.tokenizers import Tokenizer import numpy as np config_path = '/Users/lonng/Desktop/v+/xl/chinese_L-12_H-768_A-12/bert_config.json' checkpoint_path = '/Users/lo
数据分析MCP
04-21
<think>好的，用户想了解数据分析中的MCP概念或解决方案。首先，我需要明确MCP在这里指的是什么。根据提供的引用资料，MCP可能是模块化协作协议（Modular Collaboration Protocol），由质变科技开发的工具，用于整合数据分析工具和AI模型。 接下来，要整理MCP的核心功能。引用1提到MCP用于查询数据库、数据处理和分析，引用2展示了Python代码示例，说明如何创建数据处理和分析工具。引用3和4则强调了MCP的模块化设计和集成能力，支持连接多种数据源和工具。 用户可能需要知道MCP的具体应用场景和优势。例如，如何通过MCP构建工具链，提升分析效率，或者其模块化设计带来的灵活性。同时，用户可能对实际使用案例感兴趣，比如代码实现或企业应用。 还要考虑用户可能的后续问题，比如MCP与其他工具的比较，如何开始使用，或者具体的性能优化方法。需要确保回答结构清晰，分点说明，并引用相关资料支持。 最后，生成相关问题时要围绕MCP的功能、应用、实现和优势，帮助用户深入理解。需要确保语言简洁，技术术语适当解释，便于不同层次的用户理解。</think>### 数据分析中的MCP方法与工具解析 MCP（Modular Collaboration Protocol）是一种面向复杂数据分析的模块化协作协议，由质变科技（Relyt AI）提出并实现。其核心目标是通过标准化接口和工具链整合，提升AI与数据分析工具的协同效率。以下是其核心功能与实现方式： --- #### 一、MCP的核心能力 1. **模块化工具集成** 通过定义统一的工具接口（如`Tool`类），支持快速接入数据库操作、数据处理、可视化等模块。例如： ```python from mcp_sdk import Tool class DataAnalysisTool(Tool): def run(self, input_data): # 数据分析逻辑（如统计建模、机器学习） return analysis_result ``` 开发者可组合多个工具链实现端到端分析流程[^2][^4]。 2. **多数据源支持** 直接连接SQL数据库、Google Drive、Slack等企业系统，支持实时数据拉取与动态分析[^3]。 3. **AI增强分析** 整合LLM（大语言模型）与数据分析引擎，实现自然语言查询转SQL、自动化报告生成等功能[^1][^3]。 --- #### 二、典型应用场景 1. **自动化ETL流程** 使用`DataProcessingTool`清洗原始数据，再通过`DataAnalysisTool`进行聚合计算[^2]。 2. **实时业务监控** 结合PlaywrightMCP抓取网页数据，联动Tavily Search MCP补充外部信息，生成实时仪表盘[^4]。 3. **智能决策支持** 基于MCP构建的Agentic AI框架，可自动分析销售数据并推荐营销策略[^3]。 --- #### 三、技术优势 - **灵活性**：模块可独立开发、替换，例如用AirtableMCP替代传统SQL连接器。 - **性能优化**：通过协议层缓存机制减少重复计算，提升大规模数据处理效率[^1]。 - **低代码实现**：提供Python SDK，简化工具开发与部署流程[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

loong_XL

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值