Hvad er Power BI Semantic Model Authoring-færdigheden?

Vigtigt

Denne funktion er i forhåndsversion.

Færdigheden Power BI semantic-model-authoring lader AI-agenter oprette, redigere, implementere og administrere Power BI semantiske modeller på tværs af Power BI Desktop, PBIP-projekter og Fabric Service. Færdigheden leveres i Skills for Fabric marketplace, samlet i powerbi-authoring-pluginet.

Færdigheden dækker et bredt spektrum af semantiske modelopgaver, for eksempel:

  • Oprettelse af nye semantiske modeller i Import, DirectQuery eller Direct Lake-tilstand.
  • Redigering af eksisterende modeller – tabeller, kolonner, relationer, målinger og DAX.
  • Optimering af DAX-ydelse og analyse af modeller i forhold til bedste praksis.
  • Forberedelse af semantiske modeller til AI-forbrug af Fabric Copilot og Power BI Data Agents.
  • Udrulning af modeller til Fabric-arbejdsområder, opdatering af dem og håndtering af datakilder, parametre og tilladelser.

Forudsætninger

Før du begynder, skal du sikre dig, at du har:

  • Det installerede plugin powerbi-authoring - Følg instruktionerne i Power BI Agentic overview for at installere pluginet. Installation af plugin'et gør semantic-model-authoring-færdigheden tilgængelig og registrerer Power BI Modeling MCP-serveren.
  • En semantisk model - Power BI skrivebord med en model åben, et PBIP-projekt på disk eller en semantisk model i et Fabric arbejdsområde.

Kom i gang

  1. Åbn Power BI Desktop med en semantisk model indlæst.

  2. I GitHub Copilot, kør en røgtest-prompt for at bekræfte, at færdigheden og MCP-serveren er korrekt forbundet:

    /semantic-model-authoring Connect to Power BI Desktop and analyze the semantic model against best practices

    Agenten skal indlæse semantic-model-authoring-færdigheden, forbinde til Power BI Desktop via Power BI Modeling MCP-serveren, gøre model opgjort og rapportere fund grupperet efter alvorlighedsgrad. Hvis agenten beder dig om at registrere MCP-serveren eller installere plugin'et, så gennemgå installationstrinene igen, før du fortsætter.

    Tip

    For at sikre, at en specifik færdighed er indlæst, kan du eksplicit aktivere den med en skråstreg-kommando – for eksempel /semantic-model-authoring [your prompt].

Hvorfor Power BI MCP-serveren betyder noget

Færdigheden semantic-model-authoring afhænger ikke hårdt af Power BI Modeling MCP-serveren, men den anbefales kraftigt. Færdigheden Tool Selection Priority dirigerer forfatteroperationer til MCP-serveren først, fordi det er den mest pålidelige og fuldt udstyrede vej.

Når MCP-serveren ikke er registreret, falder færdigheden tilbage på direkte TMDL-filredigering (PBIP) eller REST getDefinition / updateDefinition rundrejser (Fabric arbejdsområde). At oprette mod Power BI Desktop uden PBIP og uden MCP understøttes ikke – agenten stopper og beder dig registrere MCP-serveren eller gemme modellen som PBIP.

For manuel installation eller avanceret konfiguration, se dokumentationen Power BI Modeling MCP.

Eksempel: Forbered en semantisk model til AI

Brug dette eksempel til at validere dit setup fra ende til anden. Prompten påkalder færdighedens Semantic Model AI Readiness workflow, som indlæser referencen semantic-model-ai-readiness.md og gennemgår readiness checklisten for at konfigurere din model til samtalebaserede AI-oplevelser som Fabric Copilot og Power BI Data Agents.

  1. Åbn din model. Start Power BI Desktop og åbn PBIX eller PBIP, hvis semantiske model du vil forberede til AI-forbrug.

  2. Start GitHub Copilot i mappen for dit projekt.

  3. Kør prompten:

    /semantic-model-authoring Connect to Power BI Desktop and prepare the semantic model for AI

    Slash-kommandoen indlæser semantic-model-authoring færdigheden. Færdigheden genkender AI-readiness intentionen, indlæser referencen semantic-model-ai-readiness.md og kører Semantic Model AI Readiness-workflowet .

  4. Gennemgå og godkend. Agenten opgør modellen, vurderer den mod parathedslisten og præsenterer fund grupperet efter alvorlighedsgrad. Hver opdagelse er mærket som agent-relevant eller bruger-handling-krævet. Godkend de rettelser, du ønsker påført.

  5. Ansøg og valider. Agenten anvender godkendte ændringer via MCP-serveren (eller gennem TMDL-redigeringer, hvis MCP ikke er registreret), gemmer modellen og anbefaler at teste repræsentative naturlige sprog-prompts i Copilot eller din Data Agent.

Eksempel: Opret en semantisk model oven på et Fabric Lakehouse

Dette eksempel bruger færdighedens Create new Semantic Model-workflow mod en Lakehouse-datakilde, som producerer en Direct Lake-model.

  1. Forbered Lakehouse. I Fabric-portalen:

    1. Opret et arbejdsområde – for eksempel, SalesAnalytics.
    2. I det arbejdsområde kan du oprette et Lakehouse – for eksempel SalesLakehouse.
    3. Fyld Lakehouse med prøvedata. Den hurtigste vej er at åbne Lakehouse og vælge Start med eksempeldata for at indlæse de indbyggede offentlige helligdage eller NYC Taxi-datasæt , eller uploade dine egne filer til Filer og indlæse dem i Tabeller.

  2. Start GitHub Copilot i en hvilken som helst mappe.

  3. Kør prompten med dine arbejdsplads- og Lakehouse-navne:

    /semantic-model-authoring Create a semantic model on top of Lakehouse SalesLakehouse in workspace SalesAnalytics

    Kommandoen slash indlæser semantic-model-authoring færdigheden, som kører workflowet Opret ny semantisk model . Agenten:

    1. Løser arbejdsområdet og Lakehouse-ID'erne og opdager Lakehouse-skemaet (tabeller, kolonner, datatyper).
    2. Opretter en Direct Lake semantisk model, der følger, og indlæser de relevante modelleringsretningslinjer.
    3. Udruler modellen til målarbejdsområdet

  4. Tjek i Fabric. Åbn arbejdsområdet og bekræft, at den nye semantiske model vises.

Troubleshooting

  • Skill bliver ikke indlæst - Verificér plugin-installation og registrering ved at følge Power BI Agentic oversigt. Hvis opsætningen er korrekt, og færdigheden stadig ikke er valgt, kan agenten overse færdigheden under progressiv oplysning. Test med en eksplicit skråstreg-kommando, og tilføj derefter flere intentionsdetaljer til din prompt:
  • MCP-serveren loader ikke - Genstart GitHub Copilot CLI efter installation eller registrering af plugin'et, så den nye MCP-konfiguration bliver opdaget. Kør copilot mcp show derefter for at bekræfte powerbi-modeling-mcp , at det virker og at det virker.

Relateret indhold

  • Last updated on