能力标签

🔌 MCP 🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🔗 REST API 🧠 Claude ✨ GPT ⛓ LangChain

🔌

MCP工具

全渠道AI营销分析

基于 Python · 让 AI 助手直接操作你的系统与工具

英文名：full-funnel-ai-analytics

⭐ 10 Stars 🍴 2 Forks 💻 Python 📄 MIT 🏷 AI 7.5分

7.5AI 综合评分

mcpagentsai-analytics

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，全渠道AI营销分析获评「推荐使用」。这款MCP工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。

📚 深度解析

全渠道AI营销分析是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装全渠道AI营销分析，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。全渠道AI营销分析提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将全渠道AI营销分析评为 AI 评分 7.5 分，属于同类工具中的优质选择。

📋 工具概览

基于dbt MetricFlo的现代数据栈，提供全渠道AI营销分析功能，帮助企业优化营销策略

全渠道AI营销分析是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 10

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

7.5 分

工具类型

MCP工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

基于dbt MetricFlo的现代数据栈，提供全渠道AI营销分析功能，帮助企业优化营销策略

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/eduardocornelsen/full-funnel-ai-analytics

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "---ai----": {
      "command": "npx",
      "args": ["-y", "full-funnel-ai-analytics"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 全渠道AI营销分析 执行以下任务...
Claude: [自动调用 全渠道AI营销分析 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "___ai____": {
      "command": "npx",
      "args": ["-y", "full-funnel-ai-analytics"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 74/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

Full-Funnel AI Marketing Analytics Platform

Natural language marketing analytics powered by MCP, dbt Semantic Layer, and ML lead scoring. Works with Claude Desktop, OpenCode, Gemini CLI, and Antigravity IDE.

"Which channels actually drive revenue, not just clicks?"<br> This system answers that question in 15 seconds via natural language — backed by multi-touch attribution, a production ML scoring API, and dashboards fed from a single governed semantic layer running across 5 data warehouses.

---

2. Setup

python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt cp .env.example .env # Fill in your credentials

5. Build dbt models

cd dbt_project && dbt build --target duckdb && cd ..

Build Status

<details> <summary>Phase completion & project scale</summary>

Phase	Status	Description
Phase 1: Data Foundation	✅ Complete	Olist dataset + synthetic marketing data + warehouse loading
Phase 2: dbt Semantic Layer	✅ Complete	14 staging + 4 intermediate + 11 mart models
Phase 3: AI Layer (MCP)	✅ Complete	7 MCP servers + 4 AI client configs
Phase 4: ML Scoring	✅ Complete	XGBoost + MLflow + FastAPI endpoint
Phase 5: Dashboards & Automation	✅ Complete	Looker Studio + Streamlit + n8n routing
Phase 6: Portability & Polish	✅ Complete	Snowflake/Databricks demos + documentation
Phase 7: Production Readiness & CI/CD	✅ Complete	GitHub Actions, warehouse adapters, daily synthetic data, test suite, connector UI

Component	Detail
Data Volume	23 CSV files, 2.2M+ rows, aligned across 2024–2026
DuckDB Warehouse	46 objects (staging views + mart tables), all populated
dbt Models	29 models, all materialized, end-to-end verified
MCP Servers	7 servers, column references cross-checked against source CSVs
Streamlit App	5 tabs + Data Sources page, all DuckDB queries valid, AI analyst integrated
ML Pipeline	XGBoost trained on 93K rows, FastAPI `/score` endpoint live
Semantic Layer	5 semantic models + 13+ metrics governed
CI/CD Workflows	4 GitHub Actions workflows — PR gate, warehouse deploy, scheduled refresh, daily synthetic data
Test Suite	20+ pytest assertions on golden metrics + FastAPI endpoint
Dependencies	27 core packages, all importable

</details>

---

Quick Start

See the Step-by-Step Setup Guide for full instructions.

```bash

Claude Desktop: copy mcp_servers/claude_desktop_config.example.json

Demo

Predefined commands: type /marketing and see the magic happens:

marketing-gif

▶ Watch the video →

View the dashboards for all commands available: <br> [[/marketing]](dashboards/full_funnel_marketing_dashboard.html) | [[/attribution]](dashboards/attribution_dashboard.html) | [[/campaign]](dashboards/campaign_performance_dashboard.html) | [[/pipeline]](dashboards/pipeline_dashboard.html) | [[/traffic]](dashboards/traffic_ga4_dashboard.html)

9. Configure MCP for your preferred client

to ~/Library/Application Support/Claude/claude_desktop_config.json

OpenCode: already configured at .opencode/opencode.json — run `opencode`

8. Start scoring API

cd api && uvicorn main:app --port 8000 &

Workflows

Workflow	Trigger	What it does
[`ci.yml`](.github/workflows/ci.yml)	Every pull request	dbt compile + test on DuckDB → generate golden metrics → validate drift → pytest. No cloud creds needed.
[`warehouse-deploy.yml`](.github/workflows/warehouse-deploy.yml)	Push to `main`	Deploys dbt to BigQuery and Snowflake in parallel → regenerates `golden_metrics.json` → commits it back to the repo.
[`scheduled-refresh.yml`](.github/workflows/scheduled-refresh.yml)	Daily 06:00 UTC	Appends synthetic data → dbt run/test → regenerates golden metrics with `--live` flag → validates.
[`daily-synthetic-data.yml`](.github/workflows/daily-synthetic-data.yml)	Daily 05:00 UTC	Adds one new day of realistic synthetic data to mock CSVs. Can be manually triggered with a custom `--days` count.

with attribution model comparison and lead quality breakdown."

```

---

🎯 aiskill88 AI 点评 B 级 2026-05-23

该工具基于dbt MetricFlo，提供现代数据栈和全渠道AI营销分析功能，帮助企业优化营销策略，但需要进一步优化和完善

⚡ 核心功能

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

👥 适合人群

Claude Desktop / Claude Code 用户AI 工具开发者需要扩展 AI 能力的专业人士自动化工程师

🎯 使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

⚖️ 优点与不足

✅ 优点

+MIT 协议，可免费商用
+标准化 MCP 协议，生态互联性强
+与 Claude 官方生态无缝对接
+即插即用，配置简单快捷

⚠️ 不足

−依赖 Claude 客户端，非 Claude 用户无法使用
−MCP 协议仍在持续演进，接口可能变更
−需要一定的配置步骤

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

github-mcp-server MCP工具

GitHub官方MCP服务器实现，使AI助手能直接操作GitHub仓库、问题、拉取请求等资源。采用Go语言开发，高性能稳

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

LEANN AI技能包

MCP · Agent · 工作流

Chroma 向量存储

Chroma 向量存储是基于MCP协议的AI工具集成，MCP协议。配置后Claude、Cursor等AI客户端可直接调用，无需额外开发，适合

ChaosEngineAI AI技能包

ChaosEngineAI AI技能包是可安装AI技能包。安装后AI可调用专属能力，适合开发者和运营人员。

paperpipe

Extract equations and context from research papers for LLM coding assi

general-rag-system

A RAG (Retrieval-Augmented Generation) knowledge base system with Vue.

❓ 常见问题 FAQ

常见问题−

解答

MCP 是什么？和普通 API 有什么区别？+

我需要编程基础才能使用这个 MCP 工具吗？+

这个工具支持 Claude Code 吗？还是只有 Claude Desktop？+

MCP 工具是否会访问我的本地文件或数据？+

多个 MCP 工具可以同时使用吗？+

💡 AI Skill Hub 点评

AI Skill Hub 点评：全渠道AI营销分析的核心功能完整，质量良好。对于Claude Desktop / Claude Code 用户来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。

⬇️ 获取与下载

⬇ 下载源码 ZIP

✅ MIT 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习全渠道AI营销分析

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`full-funnel-ai-analytics`
原始描述	开源MCP工具：Full-Funnel AI Marketing Analytics. A modern data stack powered by dbt MetricFlo。⭐10 · Python
Topics	`mcpagentsai-analytics`
GitHub	https://github.com/eduardocornelsen/full-funnel-ai-analytics
License	MIT
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/eduardocornelsen/full-funnel-ai-analytics

收录时间：2026-05-23 · 更新时间：2026-05-23 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。

Component	Detail
Data Volume	23 CSV files, 2.2M+ rows, aligned across 2024–2026
DuckDB Warehouse	46 objects (staging views + mart tables), all populated
dbt Models	29 models, all materialized, end-to-end verified
MCP Servers	7 servers, column references cross-checked against source CSVs
Streamlit App	5 tabs + Data Sources page, all DuckDB queries valid, AI analyst integrated
ML Pipeline	XGBoost trained on 93K rows, FastAPI `/score` endpoint live
Semantic Layer	5 semantic models + 13+ metrics governed
CI/CD Workflows	4 GitHub Actions workflows — PR gate, warehouse deploy, scheduled refresh, daily synthetic data
Test Suite	20+ pytest assertions on golden metrics + FastAPI endpoint
Dependencies	27 core packages, all importable

全渠道AI营销分析

Full-Funnel AI Marketing Analytics Platform

2. Setup

5. Build dbt models

Build Status

Quick Start

Claude Desktop: copy mcp_servers/claude_desktop_config.example.json

Demo

9. Configure MCP for your preferred client

to ~/Library/Application Support/Claude/claude_desktop_config.json

OpenCode: already configured at .opencode/opencode.json — run `opencode`

8. Start scoring API

Workflows

with attribution model comparison and lead quality breakdown."

🤖 交给 Agent 安装 · 全渠道AI营销分析