<!-- <a href="https://glama.ai/mcp/servers/@mckinsey/vizro"> <img width="380" height="200" src="https://gips0.baidu.com/it/u=2263920230,3766117856&fm=3081&app=3081&f=PNG?w=760&h=400" /> </a> -->

Vizro-MCP

Vizro-MCP 是一个 模型上下文协议 (MCP) 服务器，它与大型语言模型 (LLM) 一起工作，帮助您创建 Vizro 仪表板和图表。

<img src="docs/assets/images/vizro-mcp.gif" width="600" alt="Vizro-MCP 演示">

要了解更多信息，请参阅 Vizro-MCP 文档。

设置 Vizro-MCP

Vizro-MCP 最好与 Claude Desktop、Cursor 或 VS Code 一起使用。然而，它可以与大多数允许配置 MCP 服务器使用的 LLM 产品一起使用。

💡 提示：为了获得最佳性能，我们建议使用 claude-4-sonnet 模型，或您选择的其他高性能模型。使用通常提供的 auto 设置可能会导致不一致或意外的结果。

我们的文档提供了针对 Claude Desktop、Cursor 和 VS Code 的单独详细步骤。

基本配置

以下内容适用于熟悉 MCP 服务器设置并熟悉基本配置设置的人。您必须已下载并安装了想要配置并用作 MCP 主机的 LLM 应用程序。

<details> <summary><strong>使用 uv 快速设置 Vizro-MCP</strong></summary>

首先，您需要安装 uv。

接下来，在终端窗口中键入 uv 以确认其可用性。要获取 uvx 的路径，请键入以下内容：

which uv

复制返回的路径，并将其添加到用于配置您的 LLM 应用程序的 MCP 服务器的 JSON 文件中。确保用上面返回的路径替换占位符：

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "/placeholder-path/uvx",
      "args": [
        "vizro-mcp"
      ]
    }
  }
}

快速安装

主机	先决条件	链接
Cursor	uv
VS Code	uv

</details> <details> <summary><strong>使用 Docker 快速设置 Vizro-MCP</strong></summary>

首先，您需要安装 Docker。

接下来，将以下内容添加到用于配置您的 LLM 应用程序的 MCP 服务器的 JSON 文件中。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "mcp/vizro"
      ]
    }
  }
}

使用本地数据与 Docker

通过以下扩展配置将您的数据目录或目录挂载到容器中。用机器上数据的绝对路径替换 </absolute/path/to/allowed/dir>（文件夹语法）或 </absolute/path/to/data.csv>（文件语法）。为了保持一致性，我们建议 dst 路径与 src 路径匹配。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "--mount",
        "type=bind,src=</absolute/path/to/allowed/dir>,dst=</absolute/path/to/allowed/dir>",
        "--mount",
        "type=bind,src=</absolute/path/to/data.csv>,dst=</absolute/path/to/data.csv>",
        "mcp/vizro"
      ]
    }
  }
}

快速安装

主机	先决条件	链接	备注
Cursor	Docker		对于本地数据访问，挂载您的数据目录
VS Code	Docker		对于本地数据访问，挂载您的数据目录

</details>

免责声明

透明度和信任

MCP 服务器是一个相对较新的概念，重要的是要透明地说明这些工具的能力，以便用户可以做出明智的选择。总体而言，Vizro MCP 服务器仅读取数据，从不对您的机器上的任何数据进行写入、删除或修改操作。

第三方 API

用户对其主机 LLM 应用程序所做的任何事情负责。

用户负责获取访问任何第三方生成式 AI 工具所需的所有必要权利，并遵守任何适用的条款或条件。

用户完全负责第三方生成式 AI 工具以及 Vizro 的使用和安全性。

法律信息

<details> <summary><strong>用户确认</strong></summary>

用户确认并同意：

任何由任何第三方生成式 AI 工具（“GenAI 工具”）生成的结果、选项、数据、建议、分析、代码或其他信息（“输出”）可能包含一些不准确、偏见、非法、潜在侵权或不适当的内容，这些内容可能是错误的、歧视性的或误导性的。

麦肯锡公司：

(i) 明确否认任何输出的准确性、充分性、及时性、可靠性、适销性、特定用途适用性、非侵权性、安全性或完整性，

(ii) 不对任何输出中的错误、遗漏或其他缺陷、延迟或中断，或基于此类输出采取的任何行动负责，

(iii) 不对因用户使用 GenAI 工具和输出而导致的任何第三方权利的任何指控的违反或侵权负责。

输出应由用户验证和验证，并且不应在无人监督的情况下使用，也不应作为影响个人决策的唯一依据。

用户仍需独自负责输出的使用，特别是用户需要确定根据上下文和使用情况所需的监督级别，并告知其人员和其他受影响用户关于 GenAI 输出的性质。用户还完全负责他们的决策、行动、Vizro 和 Vizro-MCP 的使用以及遵守适用的法律、规则和法规，包括但不限于确认输出不侵犯任何第三方的权利。

</details> <details> <summary><strong>生成式 AI 模型的安全使用警告</strong></summary>

Vizro-MCP 由生成式 AI 模型使用，因为大型语言模型 (LLM) 在 AI 领域代表了显著的进步。然而，就像任何强大的工具一样，连接到生成式 AI 模型存在潜在风险。

我们建议用户在使用 Vizro-MCP 之前研究并理解所选模型。我们还建议用户在使用之前检查 MCP 服务器代码。

鼓励用户将 AI 生成的内容视为补充，始终应用人类判断，谨慎行事，查阅相关免责声明，并考虑以下几点：

<ol> <li>幻觉和误报</li> 生成模型可能会生成看似事实的信息，但实际上可能是虚构或误导性的。

供应商模型可能缺乏实时知识或超出其最新更新的事件。Vizro-MCP 输出可能会有所不同，您应该始终验证关键信息。辨别生成内容的准确性、一致性和可靠性是用户的职责。

<li>意外和敏感输出</li> 这些模型的输出可能是意外的、不适当的，甚至是有害的。用户作为循环中的人类是必不可少的一部分。用户必须检查并解释最终输出。当在各种上下文中共享或应用时，有必要谨慎对待生成的内容。 <li>数据隐私</li> 如果您通过其 API 连接到 LLM，则您的数据会被发送给模型供应商。例如，如果您从 OpenAI 连接到模型，您的数据将通过 OpenAI 的 API 发送到 OpenAI。用户应谨慎分享或输入任何个人信息或敏感信息。 <li>偏见和公平性</li> 生成式 AI 可能表现出其训练数据中存在的偏见。用户需要意识到并导航生成输出中的潜在偏见，并在解释生成内容时谨慎行事。 <li>恶意使用</li> 这些模型可能被用于各种恶意活动。用户应谨慎考虑如何以及在哪里部署和访问此类模型。 </ol> 对于用户来说，保持知情、谨慎和道德的应用至关重要。 </details>