mcp-server

Collecte le feedback de l'utilisateur sur la réponse fournie.

Quand utiliser ce tool ?

• Après avoir fourni une analyse, une requête SQL, ou une réponse importante

• Quand tu veux savoir si la réponse était utile

• Proposer naturellement : "Cette réponse t'a été utile ? 👍 👎"

Ratings :

• 'positive' : La réponse était utile et correcte

• 'negative' : La réponse n'était pas satisfaisante

• 'neutral' : Ni satisfait ni insatisfait

Catégories (optionnel) :

• 'accuracy' : La réponse était-elle exacte ?

• 'relevance' : La réponse répondait-elle à la question ?

• 'completeness' : La réponse était-elle complète ?

• 'speed' : Le temps de réponse était-il acceptable ?

• 'other' : Autre feedback

Utilisation du feedback : Le feedback est utilisé pour améliorer les réponses futures (RAG, analytics).

Crée et sauvegarde un nouveau use case (analyse réutilisable).

Quand utiliser ce tool ?

• Quand l'utilisateur demande de "sauvegarder cette analyse", "créer un use case", "mémoriser cette requête"

• Après avoir construit une requête SQL que l'utilisateur veut réutiliser

• Pour capitaliser sur une analyse métier récurrente

Scopes disponibles :

• 'member' (défaut) : Use case personnel, visible uniquement par vous

• 'project' : Use case partagé avec toute l'équipe du projet (nécessite project_id)

Bonnes pratiques :

• Slug : identifiant technique en snake_case (ex: weekly_campaign_performance)

• Name : nom lisible pour l'utilisateur (ex: "Performance hebdo des campagnes")

• Description : expliquez le contexte métier et quand utiliser cette analyse

• SQL template : incluez la requête SQL si elle est générique et réutilisable

Supprime définitivement un use case que vous avez créé.

Quand utiliser ce tool ?

• Quand l'utilisateur demande explicitement de supprimer un use case

• Pour nettoyer des use cases obsolètes ou en doublon

⚠️ Attention : Cette action est irréversible. Le use case sera supprimé définitivement.

Permissions : Vous pouvez uniquement supprimer les use cases dont vous êtes le créateur.

Astuce : Demandez confirmation à l'utilisateur avant de supprimer.

Exécute une requête SQL SELECT sur le datawarehouse BigQuery du projet. Lecture seule, pas de modification des données.

Format des tables: Utilisez dataset.table (ex: prod_google_ads_v2.campaign_stats). Ne préfixez PAS avec un project_id.

Génère un rapport téléchargeable (PowerPoint ou Excel) à partir de données structurées.

Quand utiliser : Uniquement quand l'utilisateur demande explicitement un export fichier (PowerPoint, PPTX, Excel, XLSX).

Workflow :

1. D'abord, collecte toutes les données via executeQuery

2. Compose les slides librement avec les types d'éléments disponibles

3. Appelle generate_report avec le JSON

4. Affiche le lien de téléchargement retourné à l'utilisateur

Types d'éléments disponibles pour les slides :

• title : titre principal (text, subtitle)

• section_header : séparateur de section (title)

• kpi_grid : grille d'indicateurs (items: [{label, value, trend}])

• table : tableau de données (columns: [], rows: [[]])

• bullet_list : liste à puces (bullet_items: [])

• text : bloc de texte libre (content)

• comparison : comparaison période vs période (metrics: [{label, current, previous, change}])

Chaque slide peut contenir plusieurs éléments. Tu décides librement du nombre de slides et de leur contenu.

Recherche dans la documentation officielle Quanti (docs.quanti.io) pour répondre aux questions sur l'utilisation de la plateforme.

Quand utiliser ce tool ?

• Quand l'utilisateur demande "comment faire X dans Quanti ?", "c'est quoi un connecteur ?", "comment configurer BigQuery ?"

• Quand l'utilisateur a besoin d'aide sur la configuration ou l'utilisation d'un connecteur (Google Ads, Meta, Piano, etc.)

• Pour expliquer des concepts Quanti : projets, connecteurs, prebuilds, data warehouse, tag tracker, transformations

• Quand l'utilisateur pose une question sur le MCP Quanti (setup, overview, semantic layer)

Ce tool ne remplace PAS :

• get_schema_context : pour obtenir le schéma BigQuery réel d'un projet client

• list_prebuilds : pour lister les rapports pré-configurés d'un connecteur

• get_use_cases : pour trouver des analyses réutilisables

• execute_query : pour exécuter du SQL

Sections disponibles pour le filtre topic : connectors, data-warehouses, data-management, tag-tracker, mcp-server, transformations

Récupère le contexte complet d'une session de lancement Quanti. L'utilisateur a pré-configuré une analyse depuis l'interface Quanti et vous a redirigé ici avec un launch_id. Appelez cette fonction pour obtenir les détails de l'analyse à exécuter (nom, prompt ou template SQL, projet).

Obtient le contexte d'un projet (connecteurs actifs, datasets disponibles). Utilisez le folderId obtenu via list_projects.

Construit le contexte schéma pour générer des requêtes SQL BigQuery. Retourne les tables pertinentes avec leurs champs et définitions sémantiques. Appelez cette fonction avec la question de l'utilisateur avant d'écrire du SQL.

IMPORTANT pour les requêtes SQL: Utilisez UNIQUEMENT le format dataset.table (ex: prod_google_ads_v2.campaign_stats). N'ajoutez JAMAIS de project_id devant les tables. Le champ full_name de chaque table contient déjà le nom complet à utiliser dans vos requêtes.

Recherche des use cases (cas d'usage) pertinents pour répondre à la question de l'utilisateur. Les use cases contiennent des templates SQL et des définitions métier. Utilisez cette fonction pour découvrir les analyses possibles.

Liste vos use cases personnels (scope: member).

Qu'est-ce qu'un use case ? Un use case est une analyse réutilisable que vous avez créée ou sauvegardée. Il contient une description métier et optionnellement un template SQL.

Quand utiliser ce tool ?

• Quand l'utilisateur demande "mes analyses", "mes use cases", "ce que j'ai sauvegardé"

• Avant de créer un nouveau use case pour vérifier qu'il n'existe pas déjà

• Pour retrouver l'ID d'un use case à modifier ou supprimer

Visibilité : Ces use cases sont privés et visibles uniquement par vous.

Liste les rapports pré-configurés (prebuilds) disponibles pour un connecteur.

Qu'est-ce qu'un prebuild ? Un prebuild est un rapport standardisé et maintenu par Quanti pour un connecteur donné (ex: Campaign Stats pour Google Ads). Il définit la structure de la table BigQuery (colonnes, types, métriques) et la requête API associée.

Quand utiliser ce tool ?

• Quand l'utilisateur demande "quels rapports sont disponibles pour [connecteur] ?"

• Quand l'utilisateur ne sait pas quelles données ou métriques existent pour un connecteur

• AVANT get_schema_context, pour explorer les rapports disponibles d'un connecteur

• Pour comprendre la structure des données avant d'écrire du SQL

Différence avec get_schema_context :

• list_prebuilds → découvrir quels rapports/tables EXISTENT pour un connecteur (catalogue)

• get_schema_context → obtenir le schéma BigQuery réel du projet client (données effectives)

Format de la réponse : Retourne un JSON avec pour chaque prebuild : son ID, nom, description, nom de table BigQuery, et la liste des champs (nom, type, description, is_metric). Les champs marqués is_metric=true sont des métriques agrégeable (impressions, clicks, cost...), les autres sont des dimensions (date, campaign_name...).

Exemples de SKU : googleads, meta, tiktok, tiktok-organic, amazon-ads, amazon-dsp, piano, shopify-v2, microsoftads, prestashop-api, mailchimp, kwanko

Liste les projets accessibles par l'utilisateur. Appelez cette fonction en premier pour connaître les projets disponibles.

Liste les use cases partagés avec l'équipe du projet (scope: project).

Quand utiliser ce tool ?

• Quand l'utilisateur demande "les analyses de l'équipe", "les use cases du projet"

• Pour voir ce que les collègues ont partagé

• Avant de partager un nouveau use case pour éviter les doublons

Visibilité : Ces use cases sont visibles par tous les membres du projet.

Liste les scheduled queries (requêtes planifiées) configurées dans le BigQuery du projet.

Qu'est-ce qu'une scheduled query ? Une scheduled query est une requête SQL exécutée automatiquement selon un planning défini dans BigQuery. Elle sert à agréger des données, alimenter des tables de reporting, ou effectuer des transformations récurrentes.

Quand utiliser ce tool ?

• Quand l'utilisateur demande "quelles sont mes requêtes planifiées ?", "mes scheduled queries", "mes pipelines BigQuery"

• Pour diagnostiquer un problème de données : vérifier qu'une scheduled query tourne bien

• Pour auditer les pipelines en place sur un projet

• Pour vérifier la fréquence d'exécution ou le statut d'une requête planifiée

Filtres disponibles :

• dataset : filtrer par dataset de destination (ex: 'prod_reports')

• status : filtrer par statut 'active' (enabled) ou 'disabled'

Format de la réponse : Retourne un JSON avec pour chaque scheduled query : son nom, la requête SQL, le planning d'exécution, le dataset de destination, le statut (active/disabled), et les dates de dernière/prochaine exécution.

Modifie un use case existant que vous avez créé.

Quand utiliser ce tool ?

• Pour améliorer la description ou le SQL d'un use case existant

• Pour corriger une erreur dans un use case

• Pour changer la catégorie d'un use case

Permissions : Vous pouvez uniquement modifier les use cases dont vous êtes le créateur.

Astuce : Utilisez d'abord list_my_use_cases ou list_project_use_cases pour obtenir l'ID du use case.