Optional MySQL driver support (via the [mysql] extra) lets the server connect to a MySQL database so metric-definition checks, fanout detection and lineage analysis can be grounded in / verified against live SQL rather than only parsed definitions.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@mcp-data-semantics compare the DAU definitions used by marketing and finance"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
数据口径治理 · MCP Server
两个部门都说 DAU 是 100 万，差 30 万 —— 问题多半不在数据，在口径。
pip install mcp-data-semantics # 从 PyPI
pip install "./mcp-data-semantics[mysql]" # 从源码（在工具链根目录执行）；要连库就补驱动，或 [postgres]会自动带上它需要的共享库：sqltk-core（方言/AST）、sqltk-store（口径字典）。不会带其他 MCP。
Related MCP server: bonnard
{
"mcpServers": {
"data-semantics": {
"command": "python",
"args": ["-m", "data_semantics"],
"env": { "DBT_STORE": "~/.dbtoolchain" }
}
}
}按你的客户端（Claude Desktop / Cursor / Cline 等）说明，把这段合并到对应的 mcpServers 配置里。
命令行调试（不挂客户端也能用）：
mcp-data-semantics tools
mcp-data-semantics call <tool> --args '{"sql": "SELECT 1"}'工具 | 作用 |
| 从一组 ETL/视图 SQL 推导表级与列级血缘。 |
| 粒度冲突检测：明细 vs 聚合混用。 |
| 时区与日期窗口边界差异检查 —— 表现为"每天的数的都不一样"。 |
| ★ 结构化 diff —— 不是让人肉眼对着两段 SQL 看，而是逐项列出不等价点。 |
| 同一指标的时间序列漂移检测。只有 1 个点时明确说不能判断 |
| JOIN 扇出检测 —— 数字虚高的头号原因。 |
| 生成可读的指标契约 YAML —— 这是真正能落地的治理产物。 |
| 查一条指标口径定义：粒度、去重键、计算逻辑。 |
| 列出已固化的指标口径（名字 + 粒度 + 去重键），用于发现有哪些口径可查。 |
| 把口径抽成结构化对象。没法比对的口径等于没有治理 |
| 数字对不上时的下钻计划 —— 按"先口径后数据"的顺序排查。 |
| 写入指标字典（共享档案的一部分）。 |
| 从多个候选口径里推荐标准口径，并列出需要改造的那些。 |
parse_metric_definition 结构化 → compare_definitions diff → detect_fanout 扇出检测（可选 SQL 证伪）→ reconcile 逐层下钻 → generate_contract 固化为 YAML 契约
tier0 做定义层 diff；有历史数据点时才谈漂移 —— detect_drift 单点显式返回 insufficient_data，不硬猜趋势。
只做指标定义的比对、溯源与契约化。SQL 性能归 mcp-sql-review。
python tests/test_data_semantics.py # 不需要 pytest，也不需要数据库MIT © 2026 罗文星 —— 见 LICENSE。
This server cannot be deployed
Define, ship & query your analytics tracking from one source of truth, trusted by humans and agents.
The grounded data layer for any LLM: governed SQL, metrics, lineage and catalog over your data.
Cross-tool context for your data stack. Search, lineage, and impact across warehouse and BI tools.
Data observability tools for engineering teams: alerts, freshness, schema drift, lineage, quality.
