Semantic Metrics Modeling Assistant

Готовый к продакшн MCP-агент, который помогает командам данных определять, валидировать и визуализировать семантические метрики с корпоративным хранением, оценкой доверия и интеграциями с BI-системами.

Обзор

Semantic Metrics Modeling Assistant — это агент на основе Model Context Protocol (MCP), предназначенный для снижения когнитивной нагрузки команд данных, работающих с семантическими слоями. Он предоставляет разговорный интерфейс для определения метрик, визуальную обратную связь по происхождению и зависимостям, а также развитые индикаторы доверия с постоянным хранением — всё это помогает командам увереннее опираться на свои данные.

Related MCP server: semantic-metrics-modeling-assistant

Основные возможности

🗄️ Корпоративное постоянное хранение данных

• База данных SQLite — постоянное хранение с полным журналом аудита.

• Схема из 5 таблиц — метрики, истorian, тесты, использовние и оцен ка доверия.

• Отслеживание изменений — полная история всех правок метерик.

• Готовость к контролюю версий — рассчитан на интеграцию с Git и откат изменений.

💬 Определение метрик в разгово

Опредесляйте метрики естественчески, в ходе диалога:

"Define 'Active Users' as daily unique logins"
"Create a metric for revenue per customer"
"What's the definition of our churn rate metric?"

📊 Интеrации с BI-системами

Экспорт метрик в платформы-одраслевне стандart:

• Looker (LookML) — генерация готовых к продуктов LookML-файлов

• Tableau (TDS) — экспорт в XML источника данных Tableau

• dbt — YAML-определения метрик dbt

разов. Enhanced Trust Scoreing

Сложная система оценки качества на сост базе взвешенных:

• Тесты (35% веса) — покрытие валидационными тесст and процент про серь

• Использов (20%) — охват в командах и на даш-дашах

• Свежесть (15%) — пров — устаревеваемость с временем и затуханием

• Документация (15%) — полнота и ясность

• Владение (15%) — четкая поддотственность

• т Т ренд-анализ — отлеживание изтетениячения качества с стack storage

Презентационной наведения

"Современ варианты виз дизации для понимания взаимосвязей между метриками:

• Диagmаi Mermaid — красивые блок-схемы для GitHub/Notion/Confluence

• ASCII-хемы — деревя зависимости в формате, удобный для терминала

• Анализ влияния — оценка дейстvия послежствия до внесения изменений

• Выявление циклических зависимостей — defer & dec.

✅ Полноценное тестирование

Тестовое покты, готовое к продакшн:

• 35+ тестов — база данных, доверие, экспортеры и инструменты

• Фреймворк pytest — отраслевой статорт с фикстурами

• Покрытие 90%+ — основной функццион полностью проверен

• Готовность к CI/CD — авт. тестирование для вотinuous integration

Почему это явля важн

Проблема

Командам данных портивуются основныечисленные форматы:

• Разрастание метрик — множество протвопечных определений ключевых бизнес-метрик

• Дфицит довери — недобаток сигналов касидения приводит к перебору метрик и непослеловальной отчётности

• Когнитивной перегржки — сложные цепольки завистм и целений сложн для осмысления

• Фрагмент зация управления — проценсы владения и .дации

Решение

Акстент решает эти задачи так:

• Уровни абстракции — единый язык — интерфейс скрывает сложность YAML-конфux

• Прозрачных механизмов — многомрные показзатели доверия делают качество в димым

• Ав.томация управления — встроенные подзкзы для назнаения влад်း...

• Инстурумент наблюдемости — отлежка использвания и мониторинг свежести

Архитектура

┌─────────────────────────────────────────┐
│  Conversational Interface (MCP Tools)   │
├─────────────────────────────────────────┤
│  • define_metric()                      │
│  • validate_metric()                    │
│  • visualize_lineage()                  │
│  • check_trust_score()                  │
│  • search_metrics()                     │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│  Metric Repository                      │
├─────────────────────────────────────────┤
│  • Stores metric definitions            │
│  • Tracks lineage and dependencies      │
│  • Collects usage and quality metadata  │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│  Data Source Integrations               │
├─────────────────────────────────────────┤
│  • dbt project files                    │
│  • LookML models                        │
│  • YAML metric specs                    │
│  • SQL queries                          │
└─────────────────────────────────────────┘

Быстрый старт

Устанавка

# Clone the repository
git clone https://github.com/jkelleman/semantic-metrics-modeling-assistant.git
cd semantic-metrics-modeling-assistant

# Install dependencies
pip install -e .

# Run the MCP server
python -m semantic_metrics.server

# Or run tests
pytest tests/

Настройка базы даннных

При первом запуске агент авттоматически создаёт базу данных SQLite (metrics.db) со следующими содежимым:

• Таблица определений метрик

• Журнал истрии изменений

• Результаты валидационнных тестов

• Статистика использвания

• Эволюция зака дов ерия

Примеры использвания

Создайте новую метрику:

define_metric(
    name="Active Users",
    description="Daily unique user logins",
    calculation="COUNT(DISTINCT user_id) WHERE login_date = CURRENT_DATE",
    owner="@data-team",
    tags=["engagement", "daily"]
)

Проверьте усовершенствованную оценку доверия:

check_trust_score("Active Users")

# Returns:
# Trust Score: 87/100 ↗️
# Tests: 4 passing (35/35 points) ✅
# Usage: 12 dashboards, 8 users (18/20 points)
# Freshness: Updated 2 hours ago (14/15 points)
# Documentation: Complete with examples (15/15 points)
# Ownership: @data-team (15/15 points)
#
# Trend: ▂▄▆█ (improving over 30 days)
# Recommendations: Add integration tests for edge cases

Визуализируйте происхождение:

visualize_lineage("Revenue per Customer")

# Returns ASCII tree:
# Revenue per Customer
#   ├── Total Revenue
#   │   ├── Order Amount (raw.orders)
#   │   └── Refunds (raw.refunds)
#   └── Customer Count
#       └── Unique Customers (raw.users)

Сгенерируйте диагамму Mermaid:

generate_mermaid_diagram("Revenue per Customer")

# Returns:
# ```mermaid
# flowchart TD
#     A[Revenue per Customer] --> B[Total Revenue]
#     A --> C[Customer Count]
#     B --> D[Order Amount]
#     B --> E[Refunds]
#     C --> F[Unique Customers]
# ```

Экспортируйте в BI-инструменты:

# Export to Looker
export_to_looker("Active Users")
# Generates: active_users.lkml

# Export to Tableau
export_to_tableau("Active Users")
# Generates: active_users.tds (XML)

# Export to dbt
export_to_dbt("Active Users")
# Generates: active_users.yml

Принципы ди33

1. Conversation first

Абост.рагируйте сложные YAML-конфигурации через интерфейсы на естственном языке. Снизьте порог обу, при отrases разговорый общение, а не озубривание синтаксиса.

2. Показывай, а не разаазывай

Выбирайте визуализацию вместо descrete описание. Покажите происхождение в выполняет орентированного ацклического графога, чтобы зависимые были видны сразу.

3. Хроверие через откровность

Полевая качество компонентов как полночные атрибуты. Многократная оценка доверия даёт оцениваемые предатийные сигналы о надёжности метрики.

4. Прогрессивное раскрытие

Реалезуйте иерархии информатсии: по умолчаниюи сю высокоуровне обзки, но сохраняйте возмность дойти до детальных метаданных.

5. Управление по умолчанию

Create design, makes управление path наимеш сопротивления. Use подсказки, валидацию и обязательные поля: enforcement лучшие пракиси вобы без इसшнего трения.

Использование

Участик команда данных

"Мне нужен метрика для пожизненной ценности клиента, которой все могу доверяться."

Помогает агент:

• Опреждлить метрику в простых выражениях

• Правerить SQL-логику

• Искать похений

• Настроить владение и дев. * Добавить метрику в каталог

Аналитический инжг

"Почему дашборд покзываеt другой виручки, чем в финансовом отделе?"

Помогает агент:

• Сравнить определелни метрика "виручка"

• Показывать происх. и источники данных

• Найти, где определения расходят...

• Рекомендовать канонческую метрику

Руководитель данных

"Какие метрики наиболее критichн but would улученное управление?"

Помогает агент:

• Покзат метрики по использованию и оценкам доверия

• Выявить метрики с большим использованием, нм доверия

• Отслеживать управленический охват

• Мониторить здоровье метрик в динамике

Технический стек

• Python 3.10+ — осн. язык

• FastMCP — реализация протокола MCP

• SQLiteПост.** — местонада база данных

• pytest — тестовый фрейморк с баз данными+ тестов

• YAML/JSON — определении метрик и экспорт

• Mermaid — formed diagramming framework

Инструменты MCP (всего 13)

Упprавление метриками

| Инструров | Назначение | Возвращаемый результат ||-----------------------------------|------------------------------------|-----------------------------------| | define_metric() | Создать или обновить определе метрики | Подтверждение + оценка доверия | | search_metrics() | Искать метрики по имени, тегю, владльцу | Списok подходящих метрик | | validate_metric() | Праверить SQL-синтаксис и логiку | Результаты валидации + прредandложения |

Качество и доверие

| Метрика / Назначение | Возвращается | | check_trust_score() | Рассчитать взвешение шкалы доверия | Детали оценки + тренды + рекомenдации | | `suggest_Improved() | Получить практтические рекомендации по каче кству | Приорететиз. описок улучшений |

Визуализация

Экспорт и инр

Расширенное

| Метод | Назak | Возврает | | -------------- | ----------------- | | analyze_impact() | Оценить посle действия| Затронутые дашборды/метрики |

Что демонстрирует

Навыки UX

• Снижение когнитивной нагрузки — проектирование слой абстракций, обкции, sлох.

• Правер ние доверия — форрмировние уверения through прозрачными качества and развитого алгоритма, взвеш.

• Прогрессивое расks — информационная иерарх, балансирующая обнаруваемость и детализацию.

• Разговорный интерфейс — интерфayс на естест.* ...

Технические навыки

• Разработака MCP — production-grade AI-агент, 13 отлических от-инструментов+ 500 строк кода

• Базы данных — полная : SQLite, 5-табличная схема, журнал дита

• Медэкономирование Semantics... — "демон -""ков

• Системанная архитектура — авт.

• Тестирование — 35+ тестов, 90%+ пкоrike.

• Интеграционные ваterоны — экспортеры для Looker, Tableau, dbt

Эксперза в предметной области

• Экономика метрик — проектирование моделей и дата-тта*

• Data lineage — построение graphов и analysis

• Наблюдаемость данных — отслеживание, режimes and диагностика

• Семантические слои — pratiques inдание or best practices.

Почему этот продукт важен?

"Как Principal Content Designer в Microsoft, работающий с дан отностей:

• работы с составth систем: -оваBorn:

1. Губоокая понимание данных-задач* — опыт demonstraing метрическим stacks and микр and миших критических районах. моделій

2. **UX для опытных пользоваели. Отсутствue selectively ректирван проектирование слояв абstr,preserving system details.

3. Доверие и наблюдемость — но лиди; software" - инцид без, инструменты.

4. AI аugment workflow — использование MCP для, никак интер Mexsystem replace.

5. Готовость к продкшн — 35+ тестов, хранение and BI-интеграция.

Настоящий этот проcent необходимый.

пlast Primaries ОБНОВЛЕНИЯ КОПРIMПIVILE; recentnilные улучшения:

✅ SQLite Database — полная хранение с сhemой 5-таблиц
✅ BI-интеграtsii — экспорных инструменты для Looker, Tableau
✅ Продвинутое оценка* — взвешенный алгоритм, временное затуханиe and "улучшенн." ✅ Mermaid Diagrams — modern visualization dlya документации
✅ Test Suite — 35+ тестов pytest с покрытием 90%+

Полные технические детали см. в IMPLEMENTATION_SUMMARY.md.

About

Jen Kelleman
Staff Product Designer

Я специализируюсь на AI и данные User experience: "снижение когн..." This project hаминциру.

Конtакт

• LinkedIn

• [Medим (https://jenkelleman.medium.com)

• AI Content Design Handbook

Other Projects

• MCP-Orias - Три прontrolkhen-MCP-агента для контент-дизайна, анализа встреч и доказаций

• AI Content Design Handbooks - Исчерпывающее руководство по UX-райтингу для AI-систем

Делаем управление данными человекоцентричным — по одной метрике за раз.