Important
這項功能處於預覽狀態。
Power BI semantic-model-authoring 技能讓 AI 代理程式能在 Power BI Desktop、PBIP 專案和 Fabric 服務中建立、編輯、部署及管理 Power BI 語意模型。 該技能會在 Skills for Fabric 市集中提供,並隨附於 powerbi-authoring 外掛程式中。
此技能涵蓋廣泛的語意模型任務,例如:
- 在匯入、DirectQuery 或 Direct Lake 模式下建立新的語意模型。
- 編輯現有模型——表格、欄位、關係、度量與 DAX。
- 優化 DAX 效能並依據最佳實務分析模型。
- 為Fabric Copilot與Power BI資料代理的人工智慧使用準備語意模型。
- 將模型部署到 Fabric 工作區,刷新模型,並管理資料來源、參數與權限。
先決條件
在開始之前,請確保您擁有:
-
已安裝
powerbi-authoring外掛程式 - 請依照 Power BI Agentic overview 中的指示安裝外掛程式。 安裝外掛會讓semantic-model-authoring技能可供使用,並註冊 Power BI Authoring MCP 伺服器。 - 語意模型 - 已開啟模型的 Power BI Desktop、磁碟上的 PBIP 專案,或 Fabric 工作區中的語意模型。
開始
開啟 Power BI 桌面並載入語義模型。
在 GitHub Copilot 中,執行煙霧測試提示,確認技能與 MCP 伺服器是否正確接線:
/semantic-model-authoring Connect to Power BI Desktop and analyze the semantic model against best practices
代理程式載入 semantic-model-authoring 技能,透過 Power BI Authoring MCP 伺服器連線至 Power BI Desktop,清查模型,並依嚴重性分組回報結果。 如果代理程式要求你註冊 MCP 伺服器或安裝外掛,請先回頭檢查安裝步驟再繼續。
Tip
為了確保某個特定技能被載入,請用斜擊指令明確呼叫它——例如。 /semantic-model-authoring [your prompt]
為什麼 Power BI MCP 伺服器很重要
semantic-model-authoring 技能不硬性依賴 Power BI Authoring MCP 伺服器,但仍強烈建議使用。 技能 工具選擇優先 權會先將創作操作導向 MCP 伺服器,因為這是最可靠且功能最完整的路徑。
當 MCP 伺服器尚未註冊時,技能會回退為直接編輯 TMDL 檔案(PBIP)或進行 REST getDefinition / updateDefinition 來回操作(Fabric 工作區)。 不支援在未使用 PBIP 且未設定 MCP 的情況下直接於 Power BI Desktop 中進行編寫——代理程式會停止,並要求你註冊 MCP 伺服器或將模型另存為 PBIP。
如需手動安裝或進階設定,請參閱 Power BI 撰寫 MCP 文件。
範例:為 AI 準備語意模型
使用這個範例來完整驗證你的設定。 提示會啟動該技能的 語意模型 AI 準備度 工作流程,該流程會載入 semantic-model-ai-readiness.md 參考,並執行準備度檢查清單,以配置你的模型以適應對話式 AI 體驗,如 Fabric Copilot 和 Power BI Data Agents。
打開你的模型。 啟動 Power BI Desktop,並開啟其語意模型要準備供 AI 使用的 PBIX 或 PBIP。
Start GitHub Copilot 放在你的專案資料夾裡。
執行提示:
/semantic-model-authoring Connect to Power BI Desktop and prepare the semantic model for AI斜線指令會載入
semantic-model-authoring技能。 該技能能辨識 AI 準備意圖,載入semantic-model-ai-readiness.md參考文獻,並執行 語意模型 AI 準備 工作流程。審核並批准。 代理人會盤點模型,並根據準備度檢查表評估,並依嚴重程度分組呈現結果。 每個發現都標註為代理適用或使用者行動所需。 核准你想套用的修正。
申請並驗證。 代理程式會透過 MCP 伺服器(或若 MCP 未註冊,則透過 TMDL 編輯)套用核准的變更,儲存模型,並建議在 Copilot 或你的資料代理中測試具代表性的自然語言提示。
範例:在 Fabric Lakehouse 上建立語意模型
此範例會針對 Lakehouse 資料來源測試該技能的 建立新語意模型 工作流程,並產生 Direct Lake 模型。
準備湖畔小屋。 在 Fabric 入口網站中:
- 建立一個工作區——例如。
SalesAnalytics - 在該工作區中建立一個 Lakehouse,例如:
SalesLakehouse。 - 將範例資料載入 Lakehouse。 最快的方法是打開 Lakehouse,選擇「 開始使用範例資料 」來載入內建的 公共假期 或 紐約市計程車 資料集,或是將自己的檔案上傳到 檔案 ,再載入 表格。
- 建立一個工作區——例如。
在任何資料夾中啟動 GitHub Copilot。
請用你的工作區名稱和 Lakehouse 名稱執行提示:
/semantic-model-authoring Create a semantic model on top of Lakehouse SalesLakehouse in workspace SalesAnalytics斜杠指令會載入技能
semantic-model-authoring,執行 建立新語意模型 的工作流程。 代理程式:- 解析工作區和 Lakehouse ID,並發現 Lakehouse 結構(資料表、欄位、資料型態)。
- 建立一個 Direct Lake 語意模型,並載入相關的建模指引。
- 將模型部署到目標工作區
請在 Fabric 中驗證。 打開工作區並確認新的語意模型是否出現。
Troubleshooting
- Skill 未被載入 - 請依照 Power BI Agentic overview 驗證插件安裝與註冊。 如果設定正確但技能仍未被選中,客服人員可能會在漸進揭露過程中漏掉該技能。 先用明確的斜線指令測試,然後在提示詞中加入更多意圖細節:
-
MCP 伺服器未載入 - 安裝或註冊外掛程式後,請重新啟動 GitHub Copilot CLI,讓系統載入新的 MCP 設定。 然後執行
/mcp show確認 Power BI MCP 是否出現且正常運作。