Vizro MCP

你必须先安装 uv。

接下来，打开终端窗口并输入 uv，确认其可用。若要获取 uvx 的路径，请输入以下命令：

which uv

复制返回的路径，并将以下内容添加到用于为大模型应用配置 MCP 服务的 JSON 文件中。请务必将占位符替换为上面返回的 uv 路径：

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "/placeholder-path/uvx",
      "args": [
        "vizro-mcp"
      ]
    }
  }
}

快速安装

主机	前提条件	链接
Cursor	uv
VS Code	uv

你必须先安装 Docker。

接下来，将以下内容添加到用于为大模型应用配置 MCP 服务的 JSON 文件中。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "mcp/vizro"
      ]
    }
  }
}

使用 Docker 处理本地数据

使用以下扩展配置将你的数据目录挂载到容器中。将 </absolute/path/to/allowed/dir>（文件夹语法）或 </absolute/path/to/data.csv>（文件语法）替换为你计算机上数据的绝对路径。为保持一致，我们建议 dst 路径与 src 路径相同。

{
  "mcpServers": {
    "vizro-mcp": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "--mount",
        "type=bind,src=</absolute/path/to/allowed/dir>,dst=</absolute/path/to/allowed/dir>",
        "--mount",
        "type=bind,src=</absolute/path/to/data.csv>,dst=</absolute/path/to/data.csv>",
        "mcp/vizro"
      ]
    }
  }
}

快速安装

Host	前提条件	链接	备注
Cursor	Docker		如需访问本地数据，请挂载数据目录
VS Code	Docker		如需访问本地数据，请挂载数据目录

用户确认并同意：

任何第三方生成式 AI 工具（“GenAI 工具”）生成的结果、选项、数据、建议、分析、代码或其他信息（“输出”）都可能存在一些不准确、有偏见、不正当、可能侵权或其他不恰当的内容，可能会造成误解、歧视或误导。

McKinsey & Company：

(i) 明确不对任何输出的准确性、充分性、及时性、可靠性、适销性、特定用途适用性、不侵权性、安全性或完整性作出保证，

(ii) 不对输出中的任何错误、遗漏或其他缺陷、此类输出的延迟或中断，或依赖此类输出而采取的任何行动承担责任，并且

(iii) 不对因用户使用 GenAI 工具和输出而导致的任何涉嫌侵犯或侵害第三方任何权利的行为承担责任。

用户应对输出进行核实和验证；使用输出时不得缺少人工监督，也不得将输出作为影响个人的决策的唯一依据。

用户应对输出的使用承担全部责任。尤其是，用户需要根据上下文和使用场景确定所需的人工监督程度，并告知其人员及其他受影响的用户有关 GenAI 输出的性质。用户还应对其决策、行动、Vizro 和 Vizro-MCP 的使用，以及遵守适用法律、规则和法规承担全部责任，包括但不限于确认输出未侵犯任何第三方权利。

由于大模型（LLM）代表着 AI 领域的重大进展，生成式 AI 模型会使用 Vizro-MCP。不过，与任何强大的工具一样，连接到生成式 AI 模型也存在潜在风险。

我们建议用户在使用 Vizro-MCP 前研究并了解所选模型。我们还建议用户在使用 MCP 服务前检查其代码。

建议用户将 AI 生成的内容视为补充信息，始终运用人的判断，谨慎对待，阅读相关免责声明页面，并考虑以下事项：

1. 幻觉与失实陈述
生成式模型可能会生成看似真实、实则完全虚构或误导性的信息。

供应商提供的模型可能不具备实时知识，也可能不了解其上次更新之后发生的事件。Vizro-MCP 的输出可能会有所不同，务必核实关键信息。用户有责任判断生成内容的准确性、一致性和可靠性。

2. 意外及敏感输出
这些模型的输出可能出乎意料、不恰当，甚至有害。用户作为介入流程中的人类，是不可或缺的一环。用户必须检查并解读最终输出。对生成内容保持谨慎十分必要，尤其是在不同情境下分享或应用时。
3. 数据隐私
如果通过 API 连接到大模型，您的数据将发送给模型供应商。例如，如果连接到 OpenAI 的模型，您的数据将通过其 API 发送给 OpenAI。用户应谨慎分享或输入任何个人或敏感信息。
4. 偏见与公平性
生成式 AI 可能会表现出训练数据中的偏见。用户需要意识到并应对生成输出中可能存在的偏见，并谨慎解读生成内容。
5. 恶意使用
这些模型可能会被用于各种恶意活动。用户应谨慎考虑部署和访问此类模型的方式与场景。