Trae 结合 Vizro：低代码构建专业数据可视化仪表板

完成上述步骤后，即可开始实战。

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=[
        vm.Filter(column="Species"),
        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，可以看到页面已初步成型。

3. 查看运行结果

打开生成的页面，即可看到可视化效果。散点图展示了花瓣特征分布，直方图展示了萼片长度分布，且带有筛选器控件。

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。生产环境部署时，建议关闭 debug 模式，并使用 Gunicorn 等 WSGI 服务器运行。

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：

get_vizro_chart_or_dashboard_plan

主要功能： 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。必须始终先以 advanced_mode=False 调用，若 JSON 配置不再够用，再以 advanced_mode=True 再次调用。

get_model_json_schema

主要功能： 获取指定 Vizro 模型的 JSON 模式。参数包括 model_name（如 Card、Dashboard、Page）。

get_sample_data_info

主要功能： 如果用户未提供数据，使用此工具获取样本数据信息。支持 iris、tips、stocks、gapminder 等常用数据集。

load_and_analyze_data

主要功能： 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 & validate_chart_code

主要功能： 验证配置或代码的正确性。如果验证成功，将返回 Python 代码或 PyCafe 链接供预览。

五、Vizro 工具包核心优势

1. 低代码高效开发：无需精通前端技术，通过几行 Python 代码或 JSON 配置，即可构建多图表、多控件的仪表板。
2. 专业视觉设计：内置视觉设计最佳实践，默认生成的仪表板符合企业级审美。
3. 高度灵活可定制：支持高级用户通过 Python、JavaScript、CSS 扩展功能，兼顾便捷性与定制化需求。
4. AI 赋能创新：支持'自然语言→可视化代码'转化，激发探索数据的灵感。
5. 生产级部署能力：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。

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'。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'。