Jaka jest Power BI umiejętność tworzenia modeli semantycznych?

Umiejętność Power BI semantic-model-authoring umożliwia agentom sztucznej inteligencji tworzenie, edytowanie, wdrażanie i zarządzanie semantycznymi modelami Power BI w programie Power BI Desktop, projektach PBIP i usłudze Fabric Service. Ta funkcja jest dostępna w witrynie Marketplace Skills for Fabric, w pakiecie z wtyczką powerbi-authoring.

Umiejętności obejmują szeroką gamę zadań semantycznych modeli, na przykład:

• Tworzenie nowych modeli semantycznych w trybie Import, DirectQuery lub Direct Lake.
• Edytowanie istniejącego modelu — tabele, kolumny, relacje, miary i DAX.
• Optymalizowanie wydajności języka DAX i analizowanie modeli pod kątem najlepszych rozwiązań.
• Przygotowywanie modeli semantycznych na potrzeby użycia sztucznej inteligencji przez Fabric Copilot i agentów danych Power BI.
• Wdrażanie modeli w obszarach roboczych Fabric, odświeżanie ich i zarządzanie źródłami danych, parametrami i uprawnieniami.

Wymagania wstępne

Zanim zaczniesz, upewnij się, że masz:

• Wtyczka powerbi-authoring została zainstalowana — postępuj zgodnie z instrukcjami w Omówienie rozwiązania Agentic w usłudze Power BI, aby zainstalować wtyczkę. Zainstalowanie wtyczki udostępnia umiejętność semantic-model-authoring i rejestruje serwer MCP Power BI Authoring.
• Model semantyczny — Power BI Desktop z otwartym modelem, projektem PBIP na dysku lub modelem semantycznym w obszarze roboczym Fabric.

Wprowadzenie

1. Otwórz Power BI Desktop z załadowanym modelem semantycznym.

2. W GitHub Copilot uruchom polecenie testu dymnego, aby potwierdzić, że funkcja i serwer MCP są poprawnie skonfigurowane:

   /semantic-model-authoring Connect to Power BI Desktop and analyze the semantic model against best practices
   

Agent wczytuje umiejętność semantic-model-authoring, łączy się z programem Power BI Desktop za pośrednictwem serwera Power BI Authoring MCP, przeprowadza inwentaryzację modelu i raportuje ustalenia pogrupowane według poziomu ważności. Jeśli agent wyświetli monit o zarejestrowanie serwera MCP lub zainstalowanie wtyczki, przed kontynuowaniem ponownie wykonaj kroki instalacji.

Dlaczego serwer MCP Power BI ma znaczenie

Funkcja semantic-model-authoring nie ma ścisłej zależności od serwera MCP Power BI Authoring, ale jego użycie jest zdecydowanie zalecane. Umiejętność Priorytet wyboru narzędzia kieruje operacje tworzenia treści najpierw do serwera MCP, ponieważ jest to najbardziej niezawodna i najbardziej rozbudowana ścieżka.

Gdy serwer MCP nie jest zarejestrowany, funkcja przechodzi na bezpośrednią edycję plików TMDL (PBIP) lub komunikację zwrotną przez interfejs REST getDefinition / updateDefinition (obszar roboczy Fabric). Tworzenie względem programu Power BI Desktop bez PBIP i MCP nie jest obsługiwane — agent zatrzymuje się i prosi o zarejestrowanie serwera MCP lub zapisanie modelu jako PBIP.

Aby zapoznać się z instalacją ręczną lub konfiguracją zaawansowaną, zobacz dokumentację Power BI Authoring MCP.

Przykład: przygotowywanie modelu semantycznego dla sztucznej inteligencji

Użyj tego przykładu, aby sprawdzić konfigurację od początku do końca. Polecenie wywołuje przepływ pracy umiejętności Gotowość modelu semantycznego do obsługi AI, który ładuje odwołanie semantic-model-ai-readiness.md i prowadzi przez listę kontrolną gotowości, aby skonfigurować model pod kątem konwersacyjnych środowisk AI, takich jak Fabric Copilot i Power BI Data Agents.

1. Otwórz model. Uruchom Power BI Desktop i otwórz plik PBIX lub PBIP, którego semantyczny model chcesz przygotować do użycia sztucznej inteligencji.

2. Start GitHub Copilot w folderze projektu.

3. Uruchom polecenie:

   /semantic-model-authoring Connect to Power BI Desktop and prepare the semantic model for AI
   

   Polecenie z ukośnikiem wczytuje umiejętność semantic-model-authoring. Ta funkcja rozpoznaje intencję gotowości do użycia AI, ładuje odwołanie semantic-model-ai-readiness.md i uruchamia przepływ pracy Gotowość modelu semantycznego do użycia AI.

4. Przejrzyj i zatwierdź. Agent przeprowadza inwentaryzację modelu, ocenia go na podstawie listy kontrolnej gotowości i przedstawia ustalenia pogrupowane według poziomu istotności. Każde ustalenie jest oznaczone jako dotyczące agenta albo wymagające działania użytkownika. Zatwierdź zastosowane poprawki.

5. Zastosuj i zweryfikuj. Agent wprowadza zatwierdzone zmiany za pośrednictwem serwera MCP (lub poprzez edycję TMDL, jeśli MCP nie jest zarejestrowany), zapisuje model i zaleca testowanie reprezentatywnych promptów w języku naturalnym w Copilot lub Twoim Agencie danych.

Przykład: Tworzenie modelu semantycznego na podstawie Fabric Lakehouse

Ten przykład demonstruje przepływ pracy umiejętności Tworzenie nowego modelu semantycznego na źródle danych Lakehouse, co skutkuje utworzeniem modelu Direct Lake.

1. Przygotuj lakehouse. W portalu Fabric:

   1. Utwórz obszar roboczy — na przykład SalesAnalytics.
   2. W tym obszarze roboczym utwórz obiekt Lakehouse — na przykład SalesLakehouse.
   3. Załaduj przykładowe dane do Lakehouse. Najszybszym sposobem jest otwarcie Lakehouse i wybranie pozycji Rozpocznij od przykładowych danych, aby załadować wbudowane zestawy danych Święta publiczne lub NYC Taxi, albo przekazać własne pliki do Plików i załadować je do Tabel.

2. Start GitHub Copilot w dowolnym folderze.

3. Uruchom polecenie, używając nazw obszaru roboczego i usługi Lakehouse:

   /semantic-model-authoring Create a semantic model on top of Lakehouse SalesLakehouse in workspace SalesAnalytics
   

   Polecenie z ukośnikiem ładuje umiejętność semantic-model-authoring, która uruchamia przepływ Tworzenie nowego modelu semantycznego. Agent:

   1. Usuwa identyfikatory obszaru roboczego i usługi Lakehouse oraz odnajduje schemat usługi Lakehouse (tabele, kolumny, typy danych).
   2. Tworzy model semantyczny Direct Lake, a następnie ładuje odpowiednie wytyczne dotyczące modelowania.
   3. Wdraża model w docelowym obszarze roboczym

4. Sprawdź w Fabric. Otwórz obszar roboczy i upewnij się, że zostanie wyświetlony nowy model semantyczny.

Troubleshooting

• Umiejętność nie jest ładowana — sprawdź instalację i rejestrację wtyczki, postępując zgodnie z informacjami w dokumencie Omówienie agentycznego rozwiązania Power BI. Jeśli konfiguracja jest prawidłowa, a umiejętność nadal nie jest wybrana, agent może pominąć tę umiejętność podczas progresywnego ujawniania. Przetestuj za pomocą jawnej komendy slash, a następnie dodaj do monitu więcej szczegółów dotyczących intencji:
• Serwer MCP nie uruchamia się — uruchom ponownie GitHub Copilot CLI po zainstalowaniu lub zarejestrowaniu wtyczki, aby interfejs uwzględnił nową konfigurację MCP. Następnie uruchom polecenie /mcp show , aby potwierdzić, że Power BI MCP jest wyświetlana i działa.

Treści powiązane

• Power BI omówienie serwerów MCP
• Serwery MCP w programie VS Code
• Przygotowywanie danych do sztucznej inteligencji