Trae 集成 Vizro：低代码构建专业数据可视化仪表板

三、实战：用 Vizro MCP 快速构建仪表板

以'鸢尾花数据集分析仪表板'为例，演示如何通过智能体 + MCP 实现低代码开发。

1. 提出需求

在 Trae 智能体对话界面输入需求：'基于鸢尾花数据集（iris），构建包含两个图表的仪表板：①散点图（展示花瓣长度与宽度的关系，按品种分组）；②直方图（展示萼片长度分布，按品种筛选），需添加品种、萼片长度的筛选器控件。'

2. 智能体生成代码

智能体会自动调用 Vizro MCP 的功能，分析需求后输出可运行的 Python 代码。示例如下：

import pandas as pd
import vizro as vz
import vizro.models as vm
import vizro.plotly.express as px

# 加载鸢尾花数据集
df = pd.read_csv('data.csv')  # 换成实际文件地址

# 创建散点图：花瓣长度与宽度的关系，按品种分组
scatter_fig = px.scatter(
    df, x="PetalLength", y="PetalWidth", color="Species",
    title="花瓣长度与宽度的关系",
    labels={"PetalLength": "花瓣长度", "PetalWidth": "花瓣宽度", "Species": "品种"}
)

# 创建直方图：萼片长度分布，按品种筛选
hist_fig = px.histogram(
    df, x="SepalLength", color="Species", barmode="overlay",
    title="萼片长度分布",
    labels={"SepalLength": "萼片长度", "count": "数量", "Species": "品种"}
)

# 创建仪表板页面
page = vm.Page(
    title="鸢尾花数据集分析",
    components=[
        vm.Graph(figure=scatter_fig),
        vm.Graph(figure=hist_fig)
    ],
    controls=[
        # 品种筛选器
        vm.Filter(column="Species"),
        # 萼片长度筛选器
        vm.Filter(column="SepalLength")
    ],
    layout=vm.Layout(grid=[[0, 1]])
)

# 创建仪表板模型
dashboard = vm.Dashboard(pages=[page])

# 构建并运行应用
if __name__ == "__main__":
    app = vz.Vizro()
    app.build(dashboard)
    app.run(debug=True)

这是我们的输出结果，代码结构清晰，注释完整。

3. 查看运行结果

打开这个页面，就可以直接看到可视化效果。系统已经帮我们实现了页面可视化，交互控件也已就绪。

4. 优化与部署

若需调整样式（如配色、字体），可在代码中添加 vm.Theme 配置；若需多页面切换，可新增 vm.Page 并添加到 Dashboard 的 pages 列表中。该方案支持直接部署到云服务器，适合生产环境使用。

四、Vizro MCP 核心功能解析

Vizro MCP 提供 6 大核心能力，覆盖从代码生成到部署的全流程需求：

关键工具说明

• get_vizro_chart_or_dashboard_plan：获取创建 Vizro 图表或仪表板的说明。当被要求创建 Vizro 相关内容时，首先调用此工具。建议先以 advanced_mode=False 调用，若配置不够再尝试高级模式。
• load_and_analyze_data：用于了解本地或远程数据文件。支持的格式包括 CSV、JSON、Excel、Parquet 等。必须使用绝对路径或 URL 调用。
• validate_dashboard_config：验证 Vizro 模型配置。当你有完整的仪表板配置时，务必运行此工具。如果验证成功，将返回 Python 代码或 PyCafe 链接。

五、总结

通过'Trae + Vizro'的集成方案，我们打破了数据可视化的技术壁垒，构建了一套'需求→代码→部署→分享'的全自动化工作流。无论是业务分析师快速制作临时报表，还是工程师开发企业级数据平台，这套方案都能兼顾'效率'与'专业性'。

对于追求数据驱动决策的团队而言，这一组合不仅是工具的集成，更是工作流的革新。它让数据可视化从'工程师专属任务'，转变为'全员可参与的高效协作'，真正实现'让数据说话，让洞察更快落地'。