vibedasher-mcp — 数据分析与可视化 MCP 服务器

技能简介

vibedasher-mcp 是一个基于 Model Context Protocol（MCP）的 Python 服务器，将 Vibedasher 数据引擎完整暴露为 AI 可调用的工具集。AI 助手（如 Claude Code、Cursor）可借此直接操作数据集（CSV 上传 + ETL）、执行 SQL 查询、管理可视化仪表板（Dashboard）。它本质上是一个数据平台的控制平面，封装了认证、数据上传、SQL 查询和图表构建的完整链路，让 AI 能在不离开对话界面的前提下完成端到端的数据分析工作。

核心能力

• 数据集管理：上传 CSV 并自动完成 ETL 处理，追踪数据清洗状态直至数据就绪
• 跨数据集 SQL 查询：支持多数据集 JOIN 查询，返回带类型的列与行数据
• 文件级结果导出：查询结果直接写入本地 CSV 或 JSONL 文件，不占用响应空间
• Dashboard 全生命周期管理：列出、创建、构建、弹出（eject）可视化仪表板
• Eject 工具集：将仪表板的可视化代码树完整弹出，包含 SDK 接线清单，可在任何技术栈中原生重建
• WASM 无服务器数据路径：特定查询类型可返回 Presigned Parquet URL，实现无凭证的数据提取
• 零 API Key 简易接入：只需 pip install 加 vibedasher login，无需自行申请和管理 API Key
• MCP 协议原生：以 stdio 模式运行，兼容所有 MCP 客户端

安装配置

方式一：pip 直接安装（推荐）

pip install "vibedasher-mcp>=0.6.0"
vibedasher login

登录后会引导完成认证，整个过程无需手动申请 API Key。

方式二：npm 客户端配合使用

Vibedasher 同时提供 npm 客户端包 @vibedasher/client，可与 MCP 服务器协同工作：

npm install @vibedasher/client

MCP 客户端配置

以 Claude Code 为例，在项目 .mcp.json 中添加：

{
  "mcpServers": {
    "vibedasher": {
      "command": "vibedasher-mcp",
      "args": []
    }
  }
}

使用步骤

第一步：上传数据集

from vibedasher_mcp import upload_dataset

# 上传 CSV 并等待数据就绪
dataset_id = upload_dataset(
    name="销售数据 2025Q4",
    csv_content=open("sales.csv").read(),
    delimiter=","
)
print(f"数据集 ID: {dataset_id}")

第二步：执行 SQL 查询

result = run_query(
    sql="SELECT region, SUM(revenue) FROM sales GROUP BY region",
    dataset_ids=[dataset_id],
    type="wasm"  # 返回 Parquet URL 或直接行数据
)
print(result.rows)

第三步：将结果导出为文件

path_info = run_query_to_file(
    sql="SELECT * FROM sales WHERE date >= 2025-10-01",
    output_path="./output/q4_sales.csv",
    dataset_ids=[dataset_id],
    overwrite=True
)
print(f"已写入 {path_info.rowCount} 行到 {path_info.path}")

第四步：创建并管理可视化 Dashboard

# 创建新仪表板
viz = create_viz(
    name="Q4 销售概览",
    dataset_ids=[dataset_id],
    seed_id="default-template"
)
# 构建并弹出代码树
eject_viz(viz_id=viz.id, branch="main", out_dir="./dashboards/q4")

适用场景

• BI 报表自动化：让 AI 自动完成数据导入→SQL 分析→图表构建的全流程
• 数据分析 Copilot：对话式数据分析，无需切换到 Jupyter Notebook 或 BI 工具
• 跨数据源探索：支持多 CSV 联合 JOIN，AI 可自主探索数据关联
• Dashboard 导出与迁移：将 Vibedasher 平台上的图表迁移到任意前端技术栈
• 数据质量检查：利用 AI 分析上传数据的 schema 和分布

适用人群

• 数据分析师，希望用自然语言驱动数据分析流程
• 前端工程师，需要快速将数据转化为可嵌入的图表组件
• AI 工程师，构建具备数据分析能力的 Agent
• 产品经理，自助式数据探索与快速原型验证

工作原理

vibedasher-mcp 底层调用 Vibedasher 公开的 Python SDK，向其 /api/v1/* 接口发起请求。所有数据操作（上传、查询、仪表板管理）均通过 MCP 工具协议暴露为标准工具。Eject 系列工具（eject_viz、eject_viz_files、eject_instructions）从已构建的 Dashboard 分支中提取完整的源代码树和接线清单，使 AI 能在其他技术栈中原生重建图表。run_query 的 type="wasm" 模式返回 Presigned Parquet URL，是构建无服务器数据管道的关键机制。

官方链接

• PyPI 页面：https://pypi.org/project/vibedasher-mcp/
• GitHub：https://github.com/JulienGdnr/vibedasher
• 官网：https://vibedasher.com