数据分析管理助手

解决 BigML 接入的工程摩擦

在 LLM 驱动的自动化工作流中集成 BigML 往往面临明显的工程摩擦。虽然 BigML 提供了完善的机器学习接口，但在基于 MCP 的环境里，开发者需要处理动态工具发现、鉴权状态管理以及分页游标传递等底层细节。手动拼装这些参数不仅容易出错，还会打断工作流的连贯性。

核心工作流：发现、连接与执行

该技能将 BigML 操作封装为标准的 Rube MCP 自动化流程，主要分为三个阶段：

• 工具发现：工作流启动时首先调用 RUBE_SEARCH_TOOLS 获取 BigML 当前的 schemas、执行计划及已知陷阱。这确保了参数传递的精确性。
• 连接验证：通过 RUBE_MANAGE_CONNECTIONS 检查授权状态。若连接非 ACTIVE，技能会根据返回的链接引导完成授权。
• 批量执行：使用 RUBE_MULTI_EXECUTE_TOOL 结合检索到的 slugs 运行具体任务。对于大规模操作，支持通过 RUBE_REMOTE_WORKBENCH 进行。

适用边界与关键注意点

该技能专为配合 Rube MCP 服务器设计，不适用于其他未接入 Rube 的工具链。在编写自动化脚本时，请遵守以下技术约束：

• 禁止硬编码 Schema：由于上游 API 更新，RUBE_SEARCH_TOOLS 返回的字段名和类型必须实时参考，严禁跳过检索步骤直接硬编码。
• Session 复用：在同一工作流内，必须重用已有的 session ID，仅在新任务开启时生成新 ID。
• 分页控制：对于长列表数据，需检查响应中的分页 tokens 并持续请求直至完成，避免数据截断。