在数据智能日益普及的今天，企业和开发者都在寻找让 BI 平台与 AI 无缝协作的最佳方式。Tableau 最新推出的 MCP 服务，正是这一趋势下的关键创新。图片

通过开放标准，Tableau MCP 支持外部 AI 模型直接访问 Tableau 数据资产，进一步帮助用户通过自然语言查询与分析数据，大幅降低数据智能和自动化分析的门槛。

什么是 Tableau MCP 服务？

在了解 Tableau MCP 服务前，有必要先了解一下 MCP 这个概念。

MCP（Model Context Protocol，模型上下文协议）是 2025 年全球 AI 圈新兴的通用开放协议标准。它的目标是为大语言模型（LLM）、AI Agent、自动化应用等不同智能体之间的能力调用与数据对接，提供一种标准化、可组合、语义明确的接口层。

结合 Tableau 官方在 Github 的项目描述来看， 其提供的 MCP 服务是为开发者提供了一套基础原语，使支持 MCP 协议的 AI 聊天机器人（如 Claude、Cursor 等）能发现、浏览并查询 Tableau Cloud 或 Server 上已发布的数据源、字段和 Pulse 指标等资产。

借助这套标准协议，开发者和分析师无需编写复杂的自定义集成，只需配置一次，就可以实现 AI 与 BI 数据的自由对话。

目前，Tableau MCP 已支持实现如下能力：

• list-datasources：通过 REST API 获取 Cloud / Server 上已发布的数据源列表

• list-fields：通过 Metadata API 查询指定数据源的字段与元数据信息

• query-datasources：通过 VDS API 直接发起数据查询，获取分析结果

• read-metadata：通过 VDS API 读取数据源详细元数据

• Pulse 相关功能：通过 Pulse API，支持列出所有 Pulse 指标定义、根据 ID 查询指标详情与数据、以及订阅信息等

虽然 Tableau MCP 服务目前仅支持访问只读数据，但足以支撑大部分企业在 AI 智能分析和数据问答等场景的使用需求。图片

看到这里，你可能就要问：

》Tableau MCP 跟之前上线的 Tableau Langchain 的区别是什么？

• 本质上来说，MCP 服务是 Tableau 官方的 AI 接口标准，通用、易用、企业友好，更适合标准化、规模化、合规的 AI × Tableau 融合，优先服务企业分析团队。

• 而 LangChain 方案是技术团队用开源框架把 Tableau 数据做成深度智能体和自动化应用，更偏向创新研发、AI 产品定制或数据驱动型智能体开发等场景，灵活但门槛高，更适合专业开发者钻研。

为了让大家直观感受 Tableau MCP 与 AI 接入后的效果，我们将分享国外数据用户 Darragh Murray 的亲身实践过程，探索一下两者结合的分析体验与价值所在。

实践分享：Tableau MCP × Claude AI

作为一名长期关注数据可视化和 BI 创新的从业者，Darragh 第一时间体验了 Tableau MCP 服务的完整实践流程。以下是他从环境准备、工具配置到业务场景测试的大致步骤：

01 环境准备与工具选型

Darragh 认为 MCP 有潜力重塑数据分析体验，让 AI 更轻松地访问各种数据源。得知 Tableau上线 MCP 服务的消息后，他立刻投入实验，并很快完成了环境准备。

首先，他通过 Visual Studio Code 克隆了 Tableau MCP 官方代码仓库，随后按照文档用 npm install 安装依赖，并用 npm run build 构建插件。整体体验顺畅，没遇到啥坑。

在测试数据方面，他选择 Kaggle 平台上的 FIFA 2021 球员数据集，上传并发布到了 Tableau Cloud，作为“公共数据源”供 Tableau MCP 查询。

最后，在 Tableau Cloud 的身份验证设置中生成个人访问令牌（PAT），以便后续在 Claude 进行开发设置与连接。

02 配置 Claude AI 对接 MCP 服务

在 Claude Desktop（桌面端）的 Developer 设置中，他找到名为 claude_desktop_config.json 的配置文件，并将 Tableau MCP 服务的本地启动脚本路径、Tableau Cloud 地址、PAT token 等参数补充完整。

配置完成后重启 Claude Desktop。如果成功，Claude 将顺利加载，并在 Developer 设置中将“tableau”标记为正在运行。

此外，Claude 的主界面也出现了 Tableau MCP 及其现有工具的入口。

整个配置过程比他预想中还容易，真正耗时的反而是查找电脑中配置文件所在的目录。

03 用自然语言查询数据

到这里，就完成了配置，真正好玩的部分来了。Darragh 开启了一个新的 Claude 对话，首先让 AI 先列出所有可用数据源。

从下图可见，Claude 通过 Tableau MCP 的 list-datasources 工具，一次性列出了 84 个数据源，包括 FIFA 2021。

接着，他进一步让 Claude 列出 FIFA 2021 数据集的所有字段，Claude 能自动选择最合适的工具（list-fields 失败了，就切换到 read-metadata），并精准返回 9 列字段明细和类型。

随后，他让 Claude 查询评分最高的前十名球员，Claude 调用 query-datasource 工具，几秒内给出了梅西、C 罗等球员的名单。

值得一提的是，如果请求类似“速度最快的球员”，而数据源中并没有相关字段，Claude 会主动反馈“数据中没有该变量”，而不是随便编造答案。

在这个过程中，让 Darragh 印象深刻的是，每当 Claude 需要访问外部数据时，都会弹窗请求用户授权，这让整个数据安全和隐私控制非常让人放心。

04 自动生成可视化和仪表板

不满足于查询数据本身， Darragh 进一步让 Claude 查询 FIFA 评分前 100 球员的国籍分布并进行可视化。

如下图所示，Claude 会抓取数据后用 JavaScript/HTML 在应用端生成柱状图。虽然还未支持直接在 Claude 中启用 Tableau Cloud 的 Web 创作界面，且生成的图表样式较为基础，但“对话就能出图”的高效体验还是蛮让人惊喜的。

有趣的是，他还挑战通过一段提示词，让 Claude 自动构建阿森纳俱乐部的分析仪表板（包含四个 KPI 和两个对比图表）。

“Can you create for me a dashboard showing the FIFA 2021 profile of Arsenal football club. Create four key KPIs across the top, and then two charts underneath, providing insight on where Arsenal is strong and weak versus other teams in the English Premier League within the FIFA 2021 game”

最终，Claude 基于 Tableau MCP 的 query-datasource 工具调用数据接口、组织结构，并最终生成了可以直接用 HTML 打开的仪表板。

虽然美观性还有提升空间，但“自动化分析+数据可视化”的闭环已完全跑通。

结语与资源

从 Darragh 的实践中不难看出，Tableau MCP 已经让 AI 与 BI 数据的深度集成成为现实。其开源、开放、标准化的特点，为企业和开发者打造了低门槛、高可拓展性的智能分析平台。

目前，Tableau MCP 工具链还在持续完善，后续无论是功能丰富度还是生态兼容性，都有望进一步提升。建议各位关注数据智能、AI 助手和企业 BI 的从业者主动拥抱 MCP 生态，用 AI 解锁更多数据价值。

》推荐阅读：MCP 实践指南

👉 如果你希望了解更多 Darragh 的实践细节，可以点击访问他的博客全文；

👉持续关注 Tableau MCP Github 项目，参与社区共建，探索更多前沿实践。

》随着 Tableau 发布越来越多 Agentic Analytics 功能， 企业级数据分析平台不仅迎来了 AI 驱动加持的强大能力，还让智能分析真正融入大家的日常工作。

👉 如需了解 Tableau AI 功能的实际应用场景、许可方案或预约产品演示，欢迎联系我们咨询哦~

👉 如果对 Tableau Cloud 上的 AI 功能感兴趣，也可观看 Webinar 视频回放！你将全面了解 Tableau Cloud，并感受 Tableau AI 如何助力企业智能分析与洞察，从而推动数据民主化发展。