Vad är den Power BI semantiska modellredigeringsfärdigheten?

Viktigt!

Den här funktionen är i förhandsversion.

Med kunskapen Power BI semantic-model-authoring kan AI-agenter skapa, redigera, distribuera och hantera Power BI semantiska modeller i Power BI Desktop, PBIP-projekt och Fabric Service. Funktionen finns på Skills for Fabric-marknadsplatsen och ingår i pluginet powerbi-authoring.

Kunskapen omfattar ett brett utbud av semantiska modelluppgifter, till exempel:

  • Skapa nya semantiska modeller i import-, DirectQuery- eller Direct Lake-läge.
  • Redigera befintliga modeller – tabeller, kolumner, relationer, mått och DAX.
  • Optimera DAX-prestanda och analysera modeller mot bästa praxis.
  • Förbereda semantiska modeller för användning i Fabric Copilot och Power BI-dataagenter.
  • Distribuera modeller till Fabric arbetsytor, uppdatera dem och hantera datakällor, parametrar och behörigheter.

Förutsättningar

Kontrollera att du har följande innan du börjar:

  • Pluginet powerbi-authoring är installerat – Följ instruktionerna i Power BI Agentic overview för att installera pluginet. Att installera pluginen gör semantic-model-authoring färdigheten tillgänglig och registrerar MCP-servern för Power BI-modellering.
  • En semantisk modell – Power BI Desktop med en modell öppen, ett PBIP-projekt på disk eller en semantisk modell på en Fabric arbetsyta.

Get started

  1. Öppna Power BI Desktop med en semantisk modell inläst.

  2. I GitHub Copilot kör du en smoke-test-prompt för att bekräfta att färdigheten och MCP-servern är korrekt anslutna:

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

    Agenten bör ladda semantic-model-authoring-färdigheten, ansluta till Power BI Desktop via MCP-servern för Power BI Modeling, inventera datamodellen och rapportera resultaten grupperade efter allvarlighetsgrad. Om agenten uppmanar dig att registrera MCP-servern eller installera plugin-programmet går du tillbaka till installationsstegen innan du fortsätter.

    Tip

    Om du vill se till att en specifik färdighet läses in anropar du den explicit med ett snedstreckskommando , till exempel /semantic-model-authoring [your prompt].

Varför Power BI MCP-servern är viktig

Färdigheten semantic-model-authoring är inte strikt beroende av Power BI Modeling MCP-servern, men den rekommenderas starkt. Kompetensen verktygsvalsprioritet dirigerar redigeringsoperationer till MCP-servern först eftersom det är den mest tillförlitliga och funktionsrika vägen.

När MCP-servern inte är registrerad går funktionen tillbaka till direkt redigering av TMDL-filer (PBIP) eller kommunikation tur och retur via REST getDefinition / updateDefinition (Fabric-arbetsyta). Att redigera i Power BI Desktop utan PBIP och utan MCP stöds inte – agenten stoppar och uppmanar dig att registrera MCP-servern eller spara modellen som PBIP.

Manuell installation eller avancerad konfiguration finns i mcp-dokumentationen Power BI Modeling.

Exempel: Förbereda en semantisk modell för AI

Använd det här exemplet för att verifiera konfigurationen från slutpunkt till slutpunkt. Prompten anropar färdighetens arbetsflöde för Semantic Model AI Readiness, som läser in semantic-model-ai-readiness.md-referensen och går igenom beredskapschecklistan för att konfigurera din modell för konversationsbaserade AI-upplevelser som Fabric Copilot och Power BI Data Agents.

  1. Öppna din modell. Starta Power BI Desktop och öppna PBIX eller PBIP vars semantiska modell du vill förbereda för AI-förbrukning.

  2. Starta GitHub Copilot i mappen för projektet.

  3. Kör prompten:

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

    Snedstreckskommandot laddar semantic-model-authoring-skillen. Kunskapen identifierar avsikten AI-beredskap, läser in referensen semantic-model-ai-readiness.md och kör arbetsflödet för AI-beredskap för semantisk modell .

  4. Granska och godkänn. Agenten inventerar modellen, utvärderar den mot beredskapschecklistan och visar resultat grupperade efter allvarlighetsgrad. Varje resultat taggas som tillämpligt för agenten eller kräver åtgärd från användaren. Godkänn de korrigeringar som du vill tillämpa.

  5. Tillämpa och verifiera. Agenten tillämpar godkända ändringar via MCP-servern (eller via TMDL-redigeringar om MCP inte är registrerad), sparar modellen och rekommenderar att du testar representativa frågor på naturligt språk i Copilot eller din dataagent.

Exempel: Skapa en semantisk modell ovanpå en Fabric Lakehouse

I det här exemplet används kunskapens arbetsflöde Skapa ny semantisk modell mot en Lakehouse-datakälla som skapar en Direct Lake-modell.

  1. Förbered Lakehouse. I Fabric-portalen:

    1. Skapa en arbetsyta – till exempel SalesAnalytics.
    2. På den arbetsytan skapar du ett Lakehouse – till exempel SalesLakehouse.
    3. Läs in Lakehouse med exempeldata. Den snabbaste vägen är att öppna Lakehouse och välja Börja med exempeldata för att läsa in de inbyggda datauppsättningarna Allmänna helgdagar eller NYC Taxi, eller ladda upp dina egna filer till Filer och läsa in dem till Tabeller.

  2. Starta GitHub Copilot i valfri mapp.

  3. Kör kommandotolken med dina arbetsytor och Lakehouse-namn:

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

    Snedstreckskommandot läser in färdigheten semantic-model-authoring , som kör arbetsflödet Skapa ny semantisk modell . Agenten:

    1. Löser arbetsytan och Lakehouse-ID:t och identifierar Lakehouse-schemat (tabeller, kolumner, datatyper).
    2. Skapar en Direct Lake-semantisk modell som följer och läser in relevanta riktlinjer för modellering.
    3. Distribuerar modellen till målarbetsytan

  4. Kontrollera i Fabric. Öppna arbetsytan och bekräfta att den nya semantiska modellen visas.

Troubleshooting

  • Skill läses inte in – Verifiera installation och registrering av plugin-program genom att följa Power BI Agentic-översikt. Om inställningarna är korrekta och kompetensen fortfarande inte har valts, kan agenten missa kompetensen vid stegvis informationsvisning. Testa med ett uttryckligt snedstreckskommando och lägg sedan till fler detaljer om avsikten i din prompt:
  • MCP-servern läses inte in – Starta om GitHub Copilot CLI när du har installerat eller registrerat plugin-programmet så att den nya MCP-konfigurationen hämtas. Kör sedan copilot mcp show för att bekräfta att powerbi-modeling-mcp visas och fungerar.

Relaterat innehåll

  • Last updated on