第 2 课
自然语言查数：list_metrics、load_metric_data、ask_genie
按官方 Toolkit / Use cases：用自然语言触发指标列表、时间序列加载与 Genie 分析，并对照预期结果。
课程目录第 2 / 2 课
学习位置仅保存在当前浏览器，有效期 180 天。
图文讲义
来源：Databox · Toolkit、Use cases、Overview、Help Center Query and analyze…。 工具由模型按需调用；你通常不必手写 JSON-RPC，但要知道工具名与预期行为以便验收。
你将得到什么
- 用自然语言列出数据源下的 metrics，并加载一段时间的数值
- 用
ask_genie对数据集做自然语言分析，得到可读结论 - 明确：MCP 消耗账户 AI credits；删除类工具只有在你明确要求时才应执行
开始前准备
- 第一课已完成 Claude 或 ChatGPT（或 Cursor）与 Databox 的 OAuth。
- 工作区里至少有一个已连接的数据源，或一张可查询的数据集（Google Analytics、广告、CRM 等均可；空账号无法演示查数）。
- 打开工具表备查：https://developers.databox.com/docs/mcp/tools
核心工具（官方 Toolkit 摘要）
| 工具名 | 做什么 |
|---|---|
list_accounts | 列出当前凭证可见账户 |
list_data_sources | 列出组织内数据源 |
list_metrics | 列出某数据源下指标（key、名称、描述、维度） |
load_metric_data | 按日期范围加载指标；可按维度拆分与时间粒度 |
ask_genie | 对数据集做 AI 分析，把自然语言变成结构化查询与洞见 |
ingest_data | 把记录写入数据集（创建/更新） |
create_data_source / create_dataset | 创建数据源或数据集 |
delete_data_source / delete_dataset | 删除（破坏性，需你明确要求） |
get_current_datetime | 解析「上个月」「昨天」等相对时间 |
Help Center 示例映射：问「销售数据集有哪些列」→ 常走 ask_genie；问「一月 Google Analytics sessions」→ 常走 list_metrics + load_metric_data。
步骤 1：摸清有哪些数据源
在已连接的对话中发送：
请用 Databox MCP：先 list_data_sources，用表格列出名称与 id；不要创建或删除任何资源。
对照结果：出现工具调用，返回一张可读列表。记下你要练的 data source 名称（例如 Google Analytics 或自建源）。
若列表为空：先在 Databox Web 控制台接好至少一个集成，再回来重试。
步骤 2：列出指标（list_metrics）
把下面模板里的数据源名换成你的真实名称：
对数据源「把这里换成你的数据源名」调用 list_metrics，用表格列出指标 key、显示名、描述（若有）。只读。
对照结果：助手调用 list_metrics，表格中出现多行指标。选一个你认识的指标（例如 Sessions、Revenue），记下 key。
步骤 3：加载时间序列（load_metric_data）
对刚才的指标 key，用 load_metric_data 拉取最近 7 天的数据；按天聚合。用简短中文总结趋势，并给出每日数值表。不要修改数据。
对照结果：
- 工具调用名为
load_metric_data（或等价展示名）。 - 返回约 7 个点的时间序列（空数据源可能全 0 或无点——以账号真实数据为准）。
- 有一句趋势摘要（升/降/持平）。相对日期会先经
get_current_datetime解析（官方工具表）。
步骤 4：自然语言分析（ask_genie）
若你有数据集（dataset），可直接问业务问题（官方 Use cases 风格）：
用 ask_genie 分析：哪个维度/品类的退货率最高？最近是否变差？请给出数字依据。只读，不要删除数据集。
或更通用：
用 Databox MCP 回答：上个完整自然月，我最重要的那个流量或收入指标表现如何？相对再上一个月变化多少？请标明用了哪些工具。
对照结果：助手调用 ask_genie 和/或 load_metric_data，回答含具体数字与简短洞见，而不是空泛建议。官方用例示例口吻类似：「Electronics 退货率 12%，且从 Q1 的 8% 升至 Q3」——你的数字以自己数据为准。
步骤 5：只读纪律与 credits
官方 FAQ / Help：
- 会不会改数据？ 可以。MCP 含创建、更新、删除数据源/数据集的工具；破坏性操作应仅在你明确说「删除…」时发生。跟做本课请始终加「只读」。
- 要不要会写代码？ 基本用法不需要；用自然语言即可。
- 费用？ MCP 请求消耗账户共享的 AI credit 池（与 Genie 相同）；Claude / ChatGPT 本身还可能有各自订阅费用。
- 安全？ 访问受你的 Databox 权限约束；详见 https://developers.databox.com/docs/mcp/security
可选核对（自动化场景，官方 Use cases）：
不要执行。只说明：若我用 n8n 每天 6:00 问「3 日 ROAS 均线是否低于 1.5」，MCP 适合扮演什么角色？
对照结果：助手应说明可用 MCP 在自动化里查询受治理指标，并触发后续动作（暂停广告、Slack 等）——与官方 Automated Decision Triggers 叙述一致；本步不要求你真的配置 n8n。
步骤 6：一次完整验收对话（复制整段）
请按顺序、只读完成：
1) list_accounts
2) list_data_sources（取第一个有数据的源）
3) list_metrics
4) 任选一个指标 load_metric_data，最近 14 天按天
5) 用中文写 5 行以内的执行摘要：指标名、区间、最新值、相对区间初的变化
全程不要 create/delete/ingest。
对照结果：五步均有工具调用痕迹；摘要含指标名、日期区间与至少一个数字。任一工具报权限错误时，到 Databox 控制台检查该用户角色。
本课检查清单
-
list_data_sources/list_metrics返回非空（或已理解空账号限制） -
load_metric_data给出可核对的时间序列 -
ask_genie或等价分析问句得到带数字的结论 - 未误触发删除；知晓 AI credits
