Trae 集成 Vizro：低代码构建专业数据可视化仪表板

2. 智能体生成代码

智能体会自动调用 Vizro MCP 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
# 注意：实际使用时请替换为真实文件路径
df = pd.read_csv('data.csv')

# 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)

3. 查看运行结果

运行脚本后，浏览器会自动打开页面，展示已实现的可视化效果。此时可以看到散点图与直方图均已渲染，且筛选器控件正常工作。

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。Vizro 基于 Plotly Dash 底层框架，支持大规模数据处理，可直接部署到云服务器。

Vizro MCP 核心功能解析

Vizro MCP 提供六大核心能力，覆盖从代码生成到部署的全流程：

关键工具说明

• get_vizro_chart_or_dashboard_plan：当被要求创建 Vizro 相关内容时首先调用。通常先以 advanced_mode=False 调用，若需自定义 CSS 或组件再设为 True。
• load_and_analyze_data：必须使用绝对路径或 URL 调用。支持 CSV、JSON、Excel、Parquet 等多种格式。
• validate_dashboard_config：当你有完整的仪表板配置时务必运行。验证成功后会返回 Python 代码或 PyCafe 链接，方便在线预览。

总结

通过 Trae 与 Vizro 的集成，我们构建了一套'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。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。