L611：数据镜像和MCP——客户旅程分析的现代连接

Adobe Summit 2026实验室 | *实验室编号：L611* |Adobe体验平台

______________________________________________________________________

介绍

本实验室探讨了Adobe的两项功能，这两项功能可以改变数据进入客户旅程分析的方式，以及数据到达后您如何与之交互。今天应该为使用CJA数据的新方法提供灵感和应用！

数据镜像 使用变更数据捕获（CDC）在行级别自动使CJA与您的外部数据仓库或包含变更数据馈送文件的云对象存储保持同步。当在源位置插入、更新或删除记录时，更改会通过Adobe Experience Platform数据湖传播到CJA，而无需任何导出脚本、批处理作业或手动刷新。

CJA MCP服务器 实现模型上下文协议，将Cursor等AI编码工具直接连接到您的实时CJA环境。您不用导航分析工作区来构建报告和细分，而是用简单的语言描述您想要的内容，然后代理构建它。

这两种功能共同解决了分析工作中最常见的两个摩擦点：获取准确的数据在，并获得见解出快。

______________________________________________________________________

目标

完成本实验后，您将掌握以下知识：

什么是数据镜像，基于CDC的摄取是如何工作的，以及何时通过批处理或增量连接器使用它
什么是模型上下文协议（MCP）以及CJA MCP服务器如何将AI客户端连接到CJA/AA中的实时数据
什么是技能，以及它们如何实现新的、创造性的和可重复的人工智能工作流程
什么是分析插件市场，以及它如何将技能打包到MCP服务器旁边的可安装插件中

______________________________________________________________________

技术架构

两种功能，两种数据流：

Technical Architecture

注：数据镜像需要在AEP（架构、数据集、源连接器）中进行一次性设置。配置后，它会连续运行。CJA MCP服务器已经托管——您可以在第2课中使用单个JSON配置条目连接到它。

______________________________________________________________________

在开始之前，请确认您的设置：

您可以登录CJA，网址为 experience.adobe.com
Cursor已安装并在您的实验室计算机上打开
您已准备好Adobe IMS凭据

______________________________________________________________________

环境设置

为了准备我们今天的环境，使用 *光标* 我们有几个设置步骤要遵循。一到实验室就开始这些步骤。

设置1：打开光标

Cursor是我们今天将与CJA MCP服务器一起使用的sdk平台。从您的应用程序列表中打开它。

设置2：克隆我们的Git仓库

此步骤是下载所需文件的简单方法。在Github中，术语是我们正在克隆一个公共存储库。

光标将打开一个像这样的黑色窗口。点击 *克隆仓库* 选项。

在出现的文本栏中，粘贴以下URL并单击 *从URL克隆*.

https://github.com/Adobe-Experience-Cloud/adobe-analytics-mcp-lab

当系统提示保存本地副本时，请创建一个名为的新文件夹 *L611* 并选择它。

设置3：配置光标

现在，我们只需要告诉Cursor如何联系CJA并帮助我们连接。

单击以下按钮安装CJA MCP服务器：

这将打开一个浏览器窗口，其中包含一个对话框，要求您允许打开游标。点击“打开Cursor.app”

然后Cursor将打开并显示一个表单，其中填写了CJA MCP服务器配置，并准备好让您单击“安装”

这个过程应该很快，只需要几秒钟。我们没有点击“设置”菜单，而是使用光标自动进行设置。

故障排除： 如果上述方法在您的实验室机器上不起作用，请继续执行 *手动设置说明* 在......下面

现在我们要尝试一下。点击新代理的+图标打开代理聊天。

提交此提示以打开CJA的web身份验证。

Authenticate to CJA using mcp_auth.

和以前一样，这只需要几秒钟。Cursor希望能给你打个电话，并为你产生这个互动结果。点击 *验证*:

在web身份验证上，选择 *体验展示* （如果询问），然后单击“确定”。

在下面的屏幕上，单击 *允许访问*:

现在，Cursor应该对连接发表一些积极的评论。如果是这样，您可以通过如下提示确认与CJA的连接处于活动状态：

What data views can I access?

如果Cursor返回一个包含L611数据视图的小列表，那么您就准备好了！

注：在首次运行MCP工具时，Cursor将提示您运行每个工具。这将在我们开始时经常发生。请点击下拉菜单并选择 *运行一切* 然后单击 *跑*.

*您已经完成了中的MCP设置！在数据镜像之后，让Cursor应用程序保持原样，直到我们到达MCP任务。*

手动设置说明

连接问题？ 如果上述任何步骤都不起作用，以下是手动单击说明，以确保您已设置Cursor。

在光标中，转到 设置→ 工具和MCP→ 添加新的MCP服务器.

编辑器打开时显示 mcp.json.粘贴以下配置并保存：

   {
     "mcpServers": {
       "cja": {
         "type": "streamable-http",
         "url": "https://mcp-gateway.adobe.io/cja/mcp"
       }
     }
   }

回到 设置→ 工具和MCP，找到查输入服务器并单击连接.

一个对话框请求打开身份验证页面的权限--单击打开.

您的浏览器打开Adobe Experience Platform登录。使用您的凭据登录，在系统提示时选择您的组织，然后单击 允许访问.

身份验证后，浏览器显示一个对话框，要求打开Cursor--单击 打开Cursor.app.

CJA服务器现在应该显示为已连接，下面列出了工具。

故障排除： 如果身份验证后CJA工具未出现，请返回 设置→ 工具和MCP，单击禁用在CJA服务器上，然后单击启用。这些工具将在您的下一次代理聊天中提供。

要验证连接，请打开一个新的Agent聊天，然后键入：

Are my CJA tools connected?

代理应返回可用工具的列表。如果是这样，你就准备好了。

______________________________________________________________________

第1课，共4课——数据镜像

美国东部时间。完成时间：10分钟 *（本课不需要光标）*

______________________________________________________________________

1.1目标

本课结束时，您将能够：

解释Data Mirror的功能及其解决的问题
确定关系模式对CDC所需的描述符字段
遵循完整的数据镜像管道：源数据→ 模式→ 数据流→ CJA

1.2什么是数据镜像？

大多数分析团队都有同样的问题：CJA中的数据会过时。仓库中的产品价格发生变化，活动结束，客户资料更新——但CJA在有人运行导出脚本并重新上传文件之前不会知道。到那时，数据已经存在了几个小时或几天。

数据镜像 是Adobe Experience Platform的一项功能，通过使用以下命令将行级更改从外部数据库引入AEP数据湖来解决此问题 关系模式 和 变更数据采集（CDC） 1.当在源位置插入、更新或删除记录时，该更改会传递到AEP，并从那里传递到CJA，而无需任何手动干预。

让我们看看数据馈送的变化。在下面的示例中，我们从以下三行开始 状态1在状态1和状态2之间，发生了两件事：Razvan的行是 已删除 Rene的角色是更新从工程师到建筑师。右侧的更改提要准确地捕捉到了这两个操作—— delete 对于第2行和a行 update 对于第3行——以及版本时间戳，以便系统知道顺序。 国家2 这反映了结果：拉兹万离开了，雷内的角色发生了变化。这是数据镜像背后的核心机制——只有更改会移动，而不是整个表。

方法	最适合	支持更新/删除
平面文件/CSV上传	一次性或临时加载	否
增量源连接器	仅附加数据流	仅插入
数据镜像（CDC）	与突变跟踪实时同步	是--插入、更新、删除

此实验室已设置了一个完整的数据镜像管道。本课程将遍历每一层，以便您可以看到各个部分是如何连接的。

1.3源数据

实验室数据集是围绕以下内容构建的老的，一个虚构的零售品牌。三个云源的四个表：

表	类型	来源	记录	目的
`web_traffic`	时间序列/事件	谷歌BigQuery	1000	点击流事件（页面浏览、购买、购物车操作）
`customer_profiles`	记录/资料	Google BigQuery	200	客户身份、忠诚度等级、地区
`products`	记录/查找	Azure Blob存储	50	包含类别和价格的产品目录
`campaigns`	时间序列/摘要	亚马逊S3	5	活动窗口，2026年1月至2月

实体关系图：

┌──────────────────────────────────────┐
│         customer_profiles            │
│  (Record/Profile — BigQuery)         │
├──────────────────────────────────────┤
│ PK  person_id         VARCHAR        │
│     first_name        VARCHAR        │
│     last_name         VARCHAR        │
│     email             VARCHAR        │
│     loyalty_tier      VARCHAR        │
│     region            VARCHAR        │
│     signup_date       DATE           │
│  V  version_time      DATETIME       │
└───────────────▲──────────────────────┘
                │
                │ person_id (N:1)
                │
┌───────────────┴──────────────────────┐                ┌───────────────────────────────────────┐
│           web_traffic                │                │          products                     │
│  (Time Series/Event — BigQuery)      │                │  (Record/Lookup — Blob Storage)       │
├──────────────────────────────────────┤                ├───────────────────────────────────────┤
│ PK  event_id          VARCHAR        │  product_id    │ PK  product_id        VARCHAR         │
│  V  version_no        INT            │   (N:1)        │     product_name      VARCHAR         │
│  T  event_timestamp   DATETIME       ├───────────────►│     category          VARCHAR         │
│ FK  person_id         VARCHAR        │                │     price             DECIMAL         │
│     event_type        VARCHAR        │                │     description       VARCHAR         │
│ FK  product_id        VARCHAR        │                │  V  last_modified_time DATETIME       │
│     page_url          VARCHAR        │                └───────────────────────────────────────┘
│     device_type       VARCHAR        │
│     browser           VARCHAR        │
│ FK  campaign_id       VARCHAR        │
└───────────────┬──────────────────────┘
                │
                │ campaign_id (N:1, nullable)
                │
┌───────────────▼──────────────────────┐
│           campaigns                  │                ╔═══════════════════════════════════════╗
│  (Time Series/Summary — S3)          │                ║  LEGEND                               ║
├──────────────────────────────────────┤                ║  PK  Primary Key                      ║
│ PK  campaign_id       VARCHAR        │                ║  V   Record Version                   ║
│  V  campaign_version  DATETIME       │                ║  T   Record Timestamp (time series)   ║
│  T  timestamp         DATETIME       │                ║  FK  Foreign Key                      ║
│     campaign_name     VARCHAR        │                ╚═══════════════════════════════════════╝
│     campaign_description VARCHAR     │
│     start_time        DATETIME       │
│     end_time          DATETIME       │
└──────────────────────────────────────┘

关系	从	到	红衣主教	加入键
活动→ 个人	`web_traffic`	`customer_profiles`	N：1	`person_id`
活动→ 产品中心	`web_traffic`	`products`	N：1	`product_id`
活动→ 活动	`web_traffic`	`campaigns`	N:1（可以为空）	`campaign_id`

1.4源表

每个源表都包含数据镜像用作描述符的字段。

每个表的描述符字段：

表	主键	版本描述符	时间戳描述符	注释
`web_traffic`	`event_id`	`version_no` （整数，递增0→1→2)	`event_timestamp`	BigQuery原生CDC
`customer_profiles`	`person_id`	`version_time` （日期时间）	--	BigQuery原生CDC
`products`	`product_id`	`last_modified_time` （日期时间）	--	云存储：使用 `_change_request_type` 列
`campaigns`	`campaign_id`	`campaign_version` （日期时间）	`timestamp`	云存储：用途 `_change_request_type` 列

正在使用两种版本控制模式：

整数 — web_traffic 用途 version_no (0→1→2)
日期时间 — customer_profiles 用途 version_time, products 用途 last_modified_time, campaigns 用途 campaign_version

数据镜像支持这两种模式。

1.5关系模式

AEP中的标准XDM模式只能追加。本实验室使用的模式 关系模式，通过描述符实现突变跟踪\[1\]：

主键 --唯一行标识符
版本描述符 --用于协调无序更改的整数或时间戳
时间戳描述符 --时间序列模式所需

每个关系模式都是使用行为类型创建的-- 记录或 时间序列:

时间序列示例： web_traffic --使用所有三个描述符。

BigQuery源架构：

AEP关系模式：

主键 — event_id
版本描述符 — version_no
时间戳描述符 — event_timestamp

记录示例： products --仅使用两个描述符（不需要时间戳描述符）：

主键 — product_id
版本描述符 — last_modified_time

1.6美国疾病控制与预防中心数据流

模式就绪后，源连接器会移动数据。所有四个数据流都是从AEP中该实验室的三个源帐户配置的：

每个数据流都有 启用更改数据捕获 已打开。这需要目标数据集上具有主键和版本描述符的关系模式：

按源类型划分的CDC行为：

数据库源 （BigQuery、Snowflake、Delta Lake）——CDC是本机处理的。每个表启用一次更改历史记录：

  ALTER TABLE `.adobesummit26lab611.web_traffic`
    SET OPTIONS (enable_change_history = true);
  ALTER TABLE `.adobesummit26lab611.customer_profiles`
    SET OPTIONS (enable_change_history = true);

> 📝 其他数据库： 概念是一样的——在表级别启用更改跟踪。以下是Snowflake和ViewModel中的外观： > > 雪花： > > ``sql > ALTER TABLE web_traffic SET CHANGE_TRACKING = TRUE; > ` > > **Rancher（Delta）：** > > `sql > ALTER TABLE web_traffic SET TBLPROPERTIES (delta.enableChangeDataFeed = true); > ``

云存储源 （Azure Blob，S3）——通过 _change_request_type 列： "u" 对于追加销售（插入或更新）， "d" 用于删除。仅在摄入期间进行评估；未存储或映射到XDM字段\[2\]。

配置后，数据流将连续运行。以下是本实验室的活动流程：

1.7变化

随着数据流的运行，本次实验室会话在源代码处应用了以下更改。

数据库更改（BigQuery）：

-- 1. DELETE all events on March 15
DELETE FROM `.adobesummit26lab611.web_traffic`
WHERE CAST(event_timestamp AS DATE) = '2026-03-15';

-- 2. INSERT 3 new events on March 18
INSERT INTO `.adobesummit26lab611.web_traffic`
  (event_id, version_no, person_id, event_timestamp, event_type,
   product_id, page_url, device_type, browser, campaign_id)
VALUES
  ('EVT-200001', 0, 'daniel.thompson10001@example.com', '2026-03-18T09:15:00Z',
   'page_view', 'PROD-1005', 'https://luma.retail.example.com/', 'desktop', 'Chrome', ''),
  ('EVT-200002', 0, 'paul.davis10002@example.com', '2026-03-18T09:32:00Z',
   'product_view', 'PROD-1012', 'https://luma.retail.example.com/shop/footwear', 'mobile', 'Safari', ''),
  ('EVT-200003', 0, NULL, '2026-03-18T10:05:00Z',
   'search', 'PROD-1023', 'https://luma.retail.example.com/search', 'desktop', 'Firefox', '');

-- 3. Rename Anthony Harris → Anthony Harris Jr.
UPDATE `.adobesummit26lab611.customer_profiles`
SET last_name = 'Harris Jr.',
    version_time = CURRENT_TIMESTAMP()
WHERE person_id = 'PER-10091';

BigQuery的变更历史自动捕获这些内容——否 _change_request_type 需要的列。

云存储更改（Azure Blob） --CDC文件 products_changes.json 已上传：

[{
  "product_id": "PROD-1001",
  "product_name": "Classic Cotton T-Shirt",
  "category": "Apparel",
  "price": 24.99,
  "description": "Soft 100% cotton crew-neck tee in assorted colors",
  "last_modified_time": "2026-03-24T12:00:00Z",
  "_change_request_type": "u"
},
{
  "product_id": "PROD-1003",
  "product_name": "Lightweight Running Jacket",
  "category": "Apparel",
  "price": 119.99,
  "description": "Water-resistant jacket with reflective trim",
  "last_modified_time": "2026-03-24T12:00:00Z",
  "_change_request_type": "d"
}]

数据镜像匹配 product_id 并阅读 _change_request_type:

"u" --upstart（插入或更新）：较新的 last_modified_time 替换现有记录
"d" --delete：删除该行

在这两个来源中，这些操作适用于每种CDC突变类型：删除, 插入, 更新.

1.8向CJA添加数据镜像数据集

一旦数据集到达AEP数据湖中，下一步就是将它们添加到CJA连接中。当您添加关系XDM数据集时，CJA会要求您根据模式的行为类型对其进行分类：

模式行为	CJA数据集类型	用例
时间序列	事件数据集	点击流、事务——每次交互都有时间戳的行
时间序列	摘要数据集	聚合数据——活动级别总计、每日汇总
记录	个人资料数据集	人员级别属性——身份、忠诚度级别、地区
记录	查找数据集	参考表——产品目录、活动元数据

在这个实验室中，四个数据集映射如下：

web_traffic → 事件（时间序列——单个点击流点击数）
campaigns → 摘要（时间序列--活动级别聚合）
customer_profiles → 个人资料 （记录——每人一行）
products → 查找（记录——每个产品一行）

一旦连接被保存，CJA就会摄取数据集并尊重CDC的操作——插入、更新和删除所有数据视图和报告中的数据。

1.9查看CJA中的结果

此会话期间正在运行两个设置：

实时设置 --现在正在应用更改
预运行设置 --之前应用的相同更改已经完全传播

在实验室计算机上打开CJA，找到预运行的自由表格。观察：

3月15日 显示 0个事件 --删除已传播
PROD-1001（经典棉质T恤） 显示 $24.99 --价格更新已传播
PROD-1003（轻便跑步夹克） 不再出现--产品删除已生效
根据-10091 显示 小哈里斯。 --客户资料更新已传播

这是实时设置在传播完成后将达到的最终状态。

1.10检查点

在继续之前，请考虑：

当一条记录被删除时，CJA中会发生什么 已删除 源头？它会从报告中消失吗？
关系模式必须定义哪三个描述符字段才能使CDC工作？
在您自己的工作中命名一个数据场景，其中数据镜像比批处理连接器更有用。

______________________________________________________________________

第2课，共4课——CJA MCP服务器和技能

美国东部时间。完成时间：10分钟

______________________________________________________________________

2.1目标

本课结束时，您将能够：

解释什么是MCP，以及它如何实现AI到CJA的连接
验证CJA工具在Agent聊天中是否可用
使用自然语言创建简单和高级的CJA项目

2.2什么是MCP？

MCP（模型上下文协议） 是将AI应用程序连接到外部数据源和工具的开放标准。它提供了一个通用接口，因此AI客户端（Cursor、Claude.AI、ChatGPT）可以安全地访问实时数据并代表您采取行动，而不需要为每个平台进行自定义集成。

MCP就像是AI/LLM代理的API。你可以像往常一样与人工智能工具进行对话，但现在人工智能平台可以连接到CJA来提取数据、构建仪表板、检查组件等。

CJA MCP服务器公开了什么：

类别	你能做什么
发现	查找数据视图、维度、指标、细分、日期范围、项目
报告	运行自由形式的报告，搜索维度项
创建	创建和更新工作区、细分市场、计算指标
治理	列出组件使用情况，查找类似组件，查找常用组件
配置	设置会话默认值（数据视图、上下文）

您可以描述所需内容，而不是手动导航分析工作区： *“按地理位置显示我过去30天的核心产品领域”* --代理运行查询并直接返回结果。

它与CJA/AEP中的Data Insights Agent有何不同

在CJA UI中，有一个名为Data Insights Agent或AI Assistant的功能。它将回答简单的信息请求、报告更新等，但仅在您的CJA/AEP上下文中。MCP服务器也为这些提供了便利，但你使用的聊天代理的强大功能使它走得更远。你可以给像ChatGPT这样的人工智能一个复杂的提示，带有外部引用，指示它为你生成一个独特的CJA报告应用程序。这个实验室将探索各种可能性。

CJA中的AI助手和数据洞察代理：

2.3什么是技能?

技能表示您可以在AI聊天实例之间共享任务或上下文知识的方式。在努力让人工智能按照你想要的方式做某事之后，你可以要求它将该功能保存为一种技能，希望当你或另一个人打开一个全新的人工智能对话时，它是可重复和可共享的。

技能是你给人工智能的一张笔记，帮助它复制一个它不知道的场景。

2.4 项目构造器技能

连接MCP服务器后，您可以描述要分析的内容，并让代理构建它。服务器为连接到它的LLM提供了一个最小的框架：像这样拉取报告，像那样更新项目，等等。没有其他上下文 *必需的* -然而，法学硕士可能会错过一些细微之处。

为了帮助实验室的可重复性和演示，我们定义了 cja-project-builder 技能。它引导代理完成结构化的工作流：它发现可用的组件，组装完整的项目定义，并调用 upsertProject 在CJA中创建工作空间。对于高级、具体、可重复的任务，技能可以为我们提供有益的保障 *重复性* （通常）。为了展示酷炫的东西并让与会者的实例保持一致，我们将使用技巧。

注：对于我们今天的实验室，我们建议使用下面列出的提示。如果你想尝试一些额外的东西，可以使用单独的客服聊天，这样你仍然可以探索我们准备好的技能和想法。实验室的目标是展示各种可能性 *相当一致* 练习，但在实践中，通常需要迭代。

打开一个新的代理聊天。

指定会话的数据视图：

Set L611 as my default data view for this session.

代理人打电话来 setDefaultSessionDataViewId --现在，此代理实例中的每个后续调用都使用此数据视图。如果没有指定，代理人将假设或询问其认为适用的情况。

创建一个基本的CJA项目：

Make a simple CJA project.

注：这使用了 *项目建设者* 技能。AI根据其头部使用技能（或者您可以显式调用它）。在我们的Cursor环境中，如果我们使用以下短语 *制作/构建CJA项目* 或参考 @cja-project-builder，代理人将按照技巧处理提示。

该技能为LLM提供了一个基本的项目定义，LLM创建项目并返回其链接。

CJA项目示例

问一个数据问题：

How many people saw each azb product in March?

这是我们数据镜像示例的后续内容。尽管提示有点模糊，但LLM推断上下文。在这里，它直接在我们的聊天中与CJA数据进行对话式响应。

您可能会收到产品名称和人数的类似文本表示。

将其保存到项目中：

Save this in a project and give me the link.

CJA结果示例

尝试一个更有趣的CJA项目：

Create an e-commerce performance dashboard for the Luma retail data. Show revenue, orders, and conversion rate for the last 30 days, broken down by product category. Include a line chart for the daily revenue trend.

代理以一个拟议的结构进行响应并构建它。它使用您的技能、聊天、常见报告和电子商务知识以及CJA中现有组件的上下文。面板、可视化、尺寸、指标都是通过这个镜头驱动的。

希望你的结果只需要一两分钟。时间和结果会因人工智能而异。如果出现问题或你想改变，你会继续对话。有时，即使是技能也需要迭代才能达到你的确切目标。

CJA结果示例

提示： 在提示中要具体。尽可能使用明确的时间范围（“过去30天”）、指标名称（“订单”、“收入”）和维度（“产品类别”）（如果你知道的话）。

请求一个 *组件调查*:

此提示依赖于我们命名的技能 cja-dimension-survey。它创建了一个有组织的项目视图 *n* 尺寸，从最常用的组件开始。它跳过通用时间或开箱即用的维度，并强调非空维度。

注：这将需要几分钟的时间来运行。必要时打开新的代理聊天窗口，继续动手实验。

Build a survey for the top 9 dimensions in L611.

我经常支持新客户和未知的数据视图，我想快速调查一下数据环境。对许多维度执行此操作变得乏味或无法重新创建。我已经成功地将这种技能应用于多达60个维度。当CJA的定义变得“大”时，在单一的技能/代理定义中更难管理。

这是一个样品用于研究前8个维度。有些在最近的日期范围内没有数据，因此它们列在底部的一个单独面板中。

注：这是一个产品 *迭代对话*。生成草稿，请求更改，更新技能，重试。随着CJA项目规模的扩大和占用更多的上下文窗口，MCP更难保持正轨。保持技能精简和高效，以取得成功。

2.5检查点

这个系统可以为您构建哪些手动或繁琐的任务？不要把用例强加给功能，但当规模和手动任务成为障碍时，要有远大的梦想。

考虑：

手动构建大型调查工作区可能需要一段时间。使用这种方法来规避重复性任务，你会首先为自己的团队构建什么？
代理按顺序调用了几个MCP工具： findDataViews, setDefaultSessionDataViewId, findMetrics, findDimensions, upsertProject。您不需要知道这些工具的任何名称。这告诉你MCP如何改变分析师的工作流程？
你想在刚刚创建的工作区中添加什么？

______________________________________________________________________

第3课，共4课——分段生成器

美国东部时间。完成时间：15分钟

______________________________________________________________________

3.1目标

本课结束时，您将能够：

使用简单的语言描述开发简单的片段
开发复杂、连续、嵌套的片段
在创建和保存之前，与代理讨论拟议的细分市场
从您的法学硕士领域专家那里获得建议

3.2 细分市场建设者技能

这项技能通过经验丰富的从业者的专业知识增强了LLM和MCP的细分背景。 cja-segment-builder 介绍业务逻辑、常见解释、CJA细分市场的翻译、沟通策略等。它是通过经验丰富的从业者构建的材料开发的。

只要我们要求，此技能就会激活 *创建或更新分段*.

注：每个分段创建还包括一个摘要，其中包含 *验证* 步骤。到目前为止，这并不是特别有效。我留下来是为了表明不仅要翻译和完善一个定义，还要一直通过验证。这是一项复杂的任务，很可能必须成为自己的技能。

3.3简单分段

基本细分使用AND/OR逻辑根据维度和指标过滤访问者、访问或点击。这是最常见的分段类型。创建并不特别困难，但让我们从这里开始。

打开一个新的Agent聊天。

创建这个简单的片段：

  Create a demo segment for mobile visitors.

代理解释适当的容器、组件和逻辑。它还扫描类似的片段。如果歧义很小或没有歧义，它会自动创建分段。否则，它会先问。在这两种情况下，它都提供了一个基于文本的分段定义提案的描述。

我们添加 *演示* 我们要求绕过 *不要复制* 请注意，这种技能通常会提高。我们要求它创建一个已经在我们环境中的细分市场，因为这样的测试是一起进行的，但无论如何，我们都希望它能创建一个新的细分市场。

CJA段示例

创建此分段：

   Create a demo segment for mobile visitors who viewed a product but didn't complete a purchase in the same session.

CJA段示例

3.4复杂段

顺序段使用THEN逻辑-- *“首先发生了X，然后发生了Y。”* 它们是CJA/AA中最强大的细分功能，也是最难应用的。该技能应有助于解释简单的语言和手动构建机制。

创建此分段：

   Create a demo segment for visitors who viewed the Collections page and then made a purchase within 2 days.

CJA段示例

尝试此请求：

Build a demo segment for the 24 hours following any web purchase of a customer.

这是CJA的一个惊人用例，CJA是对数据集中每个人感兴趣点之前/之后的相对时期的研究。即使每个人可能在不同的时间购买，我们也可以研究第二天的行为。如果细分构建器可以帮助处理这样的常见场景，即使不知道细分定义背后的所有技术细节，它也能进行强有力的分析。

CJA段示例

仅要求提供数据：

How many people have touched web > app > poc in the same session, last month?

这很方便，因为我们可以获得基于段的数据点，而无需构建段并将其应用于CJA中的表。它只是一个提示。

在得到结果后，我们可以要求LLM保存该段，以便我们进行验证。这可能是增加技能的一个好选择，除了让它使用 *临时* 分段（不保存任何内容）也很有帮助。

CJA段示例

3.5检查点

反思你创造了什么：

您刚刚在15分钟内创建了这些片段——从简单的语言到实时的CJA片段。如果没有MCP服务器和技能，同样的工作会是什么样子？
考虑连续的片段。它们并不总是直观的，但通过这种方法，你有一个合作伙伴指导你的构建达到准确性。
除了CJA，你还能在哪里使用分段逻辑？ *（想想看：你刚才描述的过滤逻辑也可以描述SQL WHERE子句或BigQuery过滤器。）*

______________________________________________________________________

第4课，共4课——偷偷摸摸：分析插件

美国东部时间。完成时间：15分钟 *（在Cursor中动手——预览即将推出的CJA插件中的两项技能）*

本课中的所有操作都是只读 --技能报告和分析，但从不修改任何东西。

______________________________________________________________________

4.1目标

本课结束时，您将能够：

解释什么是分析插件，以及它们如何将技能与MCP服务器配置捆绑在一起
描述Git仓库中的技能和可安装插件中的技能之间的区别
使用维度分析技能深入了解维度的基数和数据质量
使用组件审核技能跨部门和计算指标运行完整的组件审核

4.2从技能到插件

在第2课和第3课中，您从实验室开始时克隆的Git存储库中加载了技能。这是可行的，但需要手动设置：克隆一个存储库，将您的客户端指向正确的文件夹，希望版本之间没有任何偏差。对于实验室环境中的少数技能来说，这很好。对于一个管理CJA和Adobe analytics数十项技能的生产分析团队来说，它无法扩展。

Adobe正在发布 插件市场 --接下来 Anthropic的Claude插件市场规范——将AI代理所需的一切打包到可安装的插件中：

插件是一个打包包：

MCP服务器配置 --连接到CJA或AA环境，随时可用
完整的技能库 --安装后立即可用，无需手动加载
版本管理 --当新版本发布时，立即更新所有技能

Analytics正在发布两个插件，将与CJA和AA MCP服务器一起提供：

插件	产品	技能	安装
adobe公司	客户旅程分析	13项技能	`/plugin install adobe-cja@adobe-analytics-mcp`
adobe分析	Adobe Analytics	14项技能	`/plugin install adobe-analytics@adobe-analytics-mcp`

一个命令将替换您今天早些时候所做的克隆、配置和手动技能设置。

CJA插件中有什么：

类别	技能
监控和调查	KPI脉动·异常分类·热门观察名单
分析	漏斗健康检查·维度分析·分段性能比较器
构建	分段生成器·计算度量生成器·项目生成器
治理	部门审计·计算指标审计·组件审计
交付	高管简报会

Adobe Analytics插件通过AA特定的等效工具反映了这种结构，以及AA独有的报告套件比较技能。

注：这两个插件都与各自的MCP服务器一起提供。服务器是基础；这些插件为你提供了一个经过精心策划、版本化的技能库。

您之前克隆的技能与插件中附带的技能相同。现在让我们试试其中的两个，看看会发生什么。

4.3练习：分析维度

维度是每个CJA报告的支柱，但大多数团队从未仔细研究过它们内部的实际内容。高基数维度会损害查询性能。偏斜的分布意味着一些值主导了报告。陈旧或充满错误的值会默默地破坏分析。

维度分析技能深入分析维度：基数、分布、趋势、异常和数据质量——所有这些都来自一个提示。

打开新的Agent聊天：

   @cja-dimension-analysis

提示：

   Analyze the Product Category dimension.
   Show me cardinality, the top values by event count, and any data quality issues.

代理人返回：

基数 --存在多少不同的值
Top-N分布 --哪些价值观占主导地位，占多大比例
偏斜 --基尼系数与顶级氮浓度
数据质量标志 --意外间隙、异常峰值、新值/消失值

提示： 您可以提出后续问题： *“哪些产品类别的购买量最大？”* 或 *“最近是否出现了任何类别值，可能是数据质量问题？”*

4.4练习：运行组件审核

随着时间的推移，每个CJA组织都积累了组件债务：没有人使用的细分市场，彼此几乎完全相同的计算指标，两年前离开团队的人拥有的组件。组件审计技能扫描整个库并生成可操作的报告，而无需触及任何东西。

在相同或新的Agent聊天中：

   @cja-component-audit

提示：

   Audit all my components on the [Data View Name] data view.
   Include segments and calculated metrics.

代理人的工作分为七个阶段：

阶段	发生了什么
0--安装程序	确认数据视图和组件类型
1--库存	提取包含元数据、定义和时间戳的完整组件列表
2--使用情况	将每个组件分为活动、陈旧或未使用
3--重复	比较定义；标记几乎相同的公式和名称
4--相关性	计算指标的映射参考了哪些细分市场
5--所有权	确定谁拥有什么，并标记高浓度
6--健康	计算每种组件类型的健康评分（0-100）
7--报告	生成HTML仪表板或markdown报告

报告准备就绪后，请查看：

活动/失效/未使用 分段计数和计算指标
重复的标志 --具有相同或几乎相同定义的配对
最佳推荐 --要删除、合并、重命名或存档的内容

注：审计是严格只读的。它清点和报告。它从不删除、修改或存档组件。

提示： 如果报告很大，请代理集中精力： *“仅显示未使用的片段”* 或 *“给我五大整合建议。”*

4.5检查点

您刚才运行的两项技能——维度分析和组件审计——是13项技能插件的一部分。目录中的哪些其他技能对您的团队最有价值？
插件模型（一次安装、所有技能、版本更新）如何改变你在整个组织中推出人工智能辅助分析的方式？
CJA和Adobe Analytics都存在相同的技能模式。如果你的组织同时使用这两种产品，那么并行插件将如何简化你的工作流程？

______________________________________________________________________

奖金--探索更多

美国东部时间。完成时间：10分钟 *（可选——尝试你感兴趣的内容）*

______________________________________________________________________

B.1目标

看看25个CJA MCP工具还能做什么
通过对话体验即席分析和应用程序生成
了解CJA MCP服务器相对于数字洞察代理的适用范围

B.2其他想法

注：这些提示超出了结构化练习的范围。它们旨在展示当代理可以免费访问25个实时CJA工具时可能会发生什么。有些可能需要后续澄清。

选项A——比较分析

并排比较两个分段或两个时间段：

Compare revenue and conversion rate between mobile and desktop visitors
for the last 30 days. Then show me how this compares to the same period last month.

选项B-可视化组件关系

要求a *组件可视化*这项技能展示了LLM可以采用另一种方式将想法扩展到CJA UI之外。这项技能的目的是探索web应用程序的创建和突出显示最重要组件的新方法（以及它们通常应该如何一起使用）。

Build a component visualization for the top 10 components in L611.

B.3 MCP与数字洞察代理

CJA MCP服务器和Adobe的数字洞察代理（DIA）是互补的，而不是竞争的。

	数字洞察代理（DIA）	CJA MCP服务器
这是什么	Experience Cloud中预构建的AI引导分析工作流程	开放协议层，将任何支持MCP的AI客户端连接到实时CJA数据
最佳	面向业务用户的引导式、可重复的分析流程	面向分析师和开发人员的自定义、程序化和代理工作流
客户	Adobe Experience Cloud UI	Cursor、Claude.ai、ChatGPT或任何兼容MCP的客户端
可扩展性	Adobe管理	可编写脚本、基于技能、完全可扩展

在Adobe的用户界面中使用DIA进行结构化引导分析。当您想编写自己的技能、将CJA与其他数据源结合或从AI编码环境驱动工作流时，请使用MCP服务器。

______________________________________________________________________

总结与问答

美国东部时间。完成时间：10分钟

______________________________________________________________________

关键要点

数据镜像 消除了导出计划导入周期。CDC使您的CJA数据与您的仓库真实源保持同步——插入、更新和删除会自动传播。
CJA MCP服务器 使您的分析具有对话性。描述你想要什么；代理构建它。工作区创建、分段构建和组件治理都是通过自然语言完成的。
大规模组件治理 现在是可控的。跨数百个细分市场和计算指标的7阶段审计需要几分钟的代理工作，而不是一周的人工审查。
每个人都可以进行细分。 从简单的AND/OR过滤器到具有时间限制的多步骤顺序段，段构建器处理JSON复杂性，因此您可以专注于逻辑。

下一步

要将CJA MCP服务器连接到您自己的组织： 请参阅 *用于分析和CJA的远程MCP——入门指南* 在实验室材料中。它涵盖了Cursor、Claude.ai、ChatGPT和非OAuth（服务器到服务器）客户端。

要为您的仓库设置数据镜像，请执行以下操作： 请参阅中的数据镜像设置演练 1 data mirror/ --它涵盖了BigQuery、Azure Blob存储和Amazon S3，包括模式创建、CDC启用和AEP源连接器配置。

要探索更多技能： 打开 .cursor/skills/ 在这个存储库中。可用的技能包括： cja-project-builder, cja-segment-builder, cja-segment-audit, cja-component-audit, cja-dimension-analysis, cja-component-find-replace，以及 cja-mcp-connectivity.

这两种功能目前都处于测试阶段。 您的反馈很重要——与您的Adobe团队联系人分享或通过实验室反馈表提交。

______________________________________________________________________

*Adobe Summit 2026--实验室L611-数据镜像和MCP：客户旅程分析的现代连接* r实验室材料中的分析和CJA——入门指南\*。它涵盖了Cursor、Claude.ai、ChatGPT和非OAuth（服务器到服务器）客户端。

这两种功能目前都处于测试阶段。 您的反馈很重要——与您的Adobe团队联系人分享或通过实验室反馈表提交。

______________________________________________________________________

*Adobe Summit 2026--实验室L611-数据镜像和MCP：客户旅程分析的现代连接*

______________________________________________________________________

参考文献

\[1\]: 数据镜像概述——Adobe体验平台XDM

\[2\]: 变更数据捕获——Adobe体验平台来源

Adobe Analytics MCP Lab

快速接入

详细介绍

L611：数据镜像和MCP——客户旅程分析的现代连接

介绍

目标

技术架构

环境设置

设置1：打开光标

设置2：克隆我们的Git仓库

设置3：配置光标

手动设置说明

第1课，共4课——数据镜像

1.1目标

1.2什么是数据镜像？

1.3源数据

1.4源表

1.5关系模式

1.6美国疾病控制与预防中心数据流

1.7变化

1.8向CJA添加数据镜像数据集

1.9查看CJA中的结果

1.10检查点

第2课，共4课——CJA MCP服务器和技能

2.1目标

2.2什么是MCP？

2.3什么是 技能?

2.4 *项目构造器* 技能

2.5检查点

第3课，共4课——分段生成器

3.1目标

3.2 *细分市场建设者* 技能

3.3简单分段

3.4复杂段

3.5检查点

第4课，共4课——偷偷摸摸：分析插件

4.1目标

4.2从技能到插件

4.3练习：分析维度

4.4练习：运行组件审核

4.5检查点

奖金--探索更多

B.1目标

B.2其他想法

B.3 MCP与数字洞察代理

总结与问答

关键要点

下一步

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

2.3什么是技能?

2.4 项目构造器技能

3.2 细分市场建设者技能