Skip to main content
返回博客
ai2026年2月22日6 分钟阅读

MCP 服务器：让 Google Analytics 真正对开发者有用

模型上下文协议服务器如何将 Google Analytics 从营销仪表板转变为开发者友好的数据源，让你可以通过对话方式进行查询。

mcpanalyticsai
MCP 服务器：让 Google Analytics 真正对开发者有用

Google Analytics 一直是开发者们勉强接受的营销工具。你设置跟踪，配置事件，然后将其交给真正喜欢点击仪表板的人。当你自己需要数据时——特定页面的跳出率、新功能的转化漏斗、按国家/地区细分的实时活跃用户——你最终会点击五个嵌套菜单，与 GA4 查询构建器搏斗，并疑惑为什么提问比回答问题需要更多的精力。

模型上下文协议（Model Context Protocol，MCP）彻底改变了这一切。通过将 GA4 的报告 API 封装在 MCP 服务器中，你可以通过 Claude 或任何兼容 MCP 的 AI 助手以对话方式查询你的分析数据。没有仪表板。没有查询构建器。只需提出你想知道的问题。

什么是 MCP 及其重要性

模型上下文协议是 Anthropic 创建的一个开放标准，它定义了 AI 助手如何与外部数据源和工具交互。可以将其视为 AI 的 USB-C 端口——一个通用接口，让任何兼容的助手都能连接到任何兼容的数据源，而无需为每对连接编写自定义集成代码。

在 MCP 出现之前，将 AI 助手连接到你的分析数据意味着构建一个定制的管道：将数据导出到 CSV，粘贴到聊天中，希望上下文窗口足够大。或者构建一个自定义 API 集成，编写提示模板，自行处理身份验证。每个新的数据源都需要一个新的集成。

MCP 将其标准化为三个概念：

  • 资源（Resources） — 服务器公开的结构化数据（你的 GA4 属性、报告、维度、指标）
  • 工具（Tools） — AI 可以调用的操作（运行报告、查询实时数据、列出可用指标）
  • 提示（Prompts） — 服务器提供的可重用提示模板（预先结构化以获得良好结果的常见分析查询）

服务器处理身份验证、数据获取和响应格式。AI 助手处理自然语言理解和结果解释。双方都不需要了解对方的实现细节。

为什么这对分析特别重要

分析平台信息密集但交互贫乏。GA4 拥有极其强大的数据——它跟踪你整个产品中的每个用户会话、每个页面浏览、每个事件、每个转化。但访问这些数据需要你用 GA4 的词汇来思考：维度、指标、细分、日期范围、过滤器、比较。你必须将你的问题翻译成 GA4 的查询模型才能得到答案。

MCP 服务器颠覆了这一点。你用普通语言提出问题。AI 将其翻译成正确的 API 调用，执行它们，并解释结果。“我有一个问题”和“我有一个答案”之间的摩擦从几分钟缩短到几秒钟。

为 GA4 构建 MCP 服务器

实现涉及三个层面：MCP 服务器框架、Google Analytics Data API 客户端以及将自然语言意图映射到 API 调用的胶合逻辑。

项目设置

mkdir ga4-mcp-server
cd ga4-mcp-server
npm init -y
npm install @modelcontextprotocol/sdk @google-analytics/data zod dotenv
npm install -D typescript @types/node

@modelcontextprotocol/sdk 包提供了服务器框架。@google-analytics/data 是 Google 官方的 GA4 Data API 客户端库（报告 API，而非 Admin API）。zod 处理工具参数的输入验证。

使用 Google 进行身份验证

GA4 API 身份验证使用 Google Cloud 服务帐号。在 Google Cloud Console 中创建一个，下载 JSON 密钥文件，并授予其对你的 GA4 属性的“查看者”访问权限。

// src/analytics-client.ts
import { BetaAnalyticsDataClient } from "@google-analytics/data";

const analyticsClient = new BetaAnalyticsDataClient({
  keyFilename: process.env.GOOGLE_APPLICATION_CREDENTIALS,
});

const propertyId = process.env.GA4_PROPERTY_ID;

export async function runReport(
  dimensions: string[],
  metrics: string[],
  startDate: string,
  endDate: string,
  dimensionFilter?: Record<string, string>
) {
  const request: any = {
    property: `properties/${propertyId}`,
    dimensions: dimensions.map((d) => ({ name: d })),
    metrics: metrics.map((m) => ({ name: m })),
    dateRanges: [{ startDate, endDate }],
  };

  if (dimensionFilter) {
    const filterKey = Object.keys(dimensionFilter)[0];
    request.dimensionFilter = {
      filter: {
        fieldName: filterKey,
        stringFilter: {
          value: dimensionFilter[filterKey],
          matchType: "EXACT",
        },
      },
    };
  }

  const [response] = await analyticsClient.runReport(request);
  return formatReportResponse(response);
}

function formatReportResponse(response: any) {
  if (!response.rows || response.rows.length === 0) {
    return { data: [], summary: "No data found for the specified query." };
  }

  const headers = [
    ...(response.dimensionHeaders?.map((h: any) => h.name) ?? []),
    ...(response.metricHeaders?.map((h: any) => h.name) ?? []),
  ];

  const rows = response.rows.map((row: any) => {
    const values = [
      ...(row.dimensionValues?.map((v: any) => v.value) ?? []),
      ...(row.metricValues?.map((v: any) => v.value) ?? []),
    ];
    return Object.fromEntries(headers.map((h, i) => [h, values[i]]));
  });

  return {
    data: rows,
    rowCount: response.rowCount,
    summary: `Returned ${rows.length} rows.`,
  };
}

MCP 服务器

// src/server.ts
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
import { runReport, getRealtimeData, getAvailableMetrics } from "./analytics-client";

const server = new McpServer({
  name: "ga4-analytics",
  version: "1.0.0",
});

// Tool: Run a custom report
server.tool(
  "run_report",
  "Run a Google Analytics 4 report with specified dimensions, metrics, and date range",
  {
    dimensions: z.array(z.string()).describe("GA4 dimensions like 'pagePath', 'country', 'deviceCategory'"),
    metrics: z.array(z.string()).describe("GA4 metrics like 'activeUsers', 'sessions', 'bounceRate'"),
    startDate: z.string().describe("Start date in YYYY-MM-DD format or relative like '7daysAgo'"),
    endDate: z.string().describe("End date in YYYY-MM-DD format or 'today'"),
    filter: z.record(z.string()).optional().describe("Optional dimension filter as key-value pair"),
  },
  async ({ dimensions, metrics, startDate, endDate, filter }) => {
    const result = await runReport(dimensions, metrics, startDate, endDate, filter);
    return {
      content: [{ type: "text", text: JSON.stringify(result, null, 2) }],
    };
  }
);

// Tool: Get real-time active users
server.tool(
  "realtime_users",
  "Get current real-time active users, optionally segmented by a dimension",
  {
    dimension: z.string().optional().describe("Optional dimension to segment by, like 'country' or 'pagePath'"),
  },
  async ({ dimension }) => {
    const result = await getRealtimeData(dimension);
    return {
      content: [{ type: "text", text: JSON.stringify(result, null, 2) }],
    };
  }
);

// Tool: List available metrics and dimensions
server.tool(
  "list_metrics",
  "List all available GA4 metrics and dimensions for the connected property",
  {},
  async () => {
    const result = await getAvailableMetrics();
    return {
      content: [{ type: "text", text: JSON.stringify(result, null, 2) }],
    };
  }
);

// Resource: Property metadata
server.resource(
  "property-info",
  "ga4://property/info",
  async (uri) => ({
    contents: [{
      uri: uri.href,
      mimeType: "application/json",
      text: JSON.stringify({
        propertyId: process.env.GA4_PROPERTY_ID,
        description: "Connected GA4 property for analytics queries",
      }),
    }],
  })
);

async function main() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
}

main().catch(console.error);

这为 AI 助手提供了三个工具：运行任意报告、检查实时数据以及发现可用的指标和维度。发现工具很重要——它让 AI 能够找出正确的字段名称，而无需你记住是 activeUsers 还是 active_users 或 totalUsers。

实时数据端点

// Added to analytics-client.ts
export async function getRealtimeData(dimension?: string) {
  const request: any = {
    property: `properties/${propertyId}`,
    metrics: [{ name: "activeUsers" }],
  };

  if (dimension) {
    request.dimensions = [{ name: dimension }];
  }

  const [response] = await analyticsClient.runRealtimeReport(request);
  return formatReportResponse(response);
}

实时数据是最高价值的功能之一。在仪表板中，你需要导航到实时部分，等待它加载，然后读取数字。通过 MCP，你输入“现在网站上有多少人？”并在两秒内得到答案。

开发者真正想运行的实际查询

理论能力很无聊。以下是我每天都会运行的实际查询，以及它们作为对 AI 的对话请求的样子：

流量分析

“本周按会话数排名前 10 的页面是哪些，每个页面与上周相比如何？”

AI 将其翻译为两次 runReport 调用——一次用于本周，一次用于上周——然后计算差异并呈现比较表。在 GA4 界面中，这需要配置比较日期范围，选择正确的报告，添加页面维度，按会话排序，并限制为 10 个。通过 MCP，它只是一句话。

“显示过去 30 天来自自然搜索的流量，按着陆页细分。”

这成为一个报告，其中 sessionDefaultChannelGroup 作为维度过滤器（过滤为“Organic Search”），landingPagePlusQueryString 作为维度，sessions 和 engagedSessions 作为指标。

转化调试

“过去两周，/pricing 的跳出率与 /features 相比如何？”

两次过滤报告调用，结果并排比较。这种问题通过对话方式提问需要 30 秒，而通过 GA4 界面回答则需要 3 分钟。

“哪些国家/地区的注册事件转化率最高？”

一个报告，包含 country 维度，eventCount 指标（过滤到 sign_up 事件），以及 sessions 以计算转化率。AI 甚至可以直接进行除法并呈现百分比。

性能监控

“本月移动设备与桌面设备每次会话的平均参与时间是多少？”

按 deviceCategory 细分，测量 averageSessionDuration 和 engagedSessions。简单的查询，但在 GA4 中需要导航到正确的报告并配置细分。

“本周是否有任何页面浏览量超过 1000 次但参与率低于 30%？”

这是对话式分析真正发挥作用的地方。AI 运行报告，以编程方式过滤结果，并仅返回符合这两个条件的页面。在 GA4 中，你需要导出到电子表格并手动过滤，或者构建自定义探索。

连接到 Claude 和 AI 助手

Claude Desktop 配置

一旦你的 MCP 服务器构建完成，将其连接到 Claude Desktop 只需要修改一个配置文件：

{
  "mcpServers": {
    "ga4-analytics": {
      "command": "node",
      "args": ["/path/to/ga4-mcp-server/dist/server.js"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/service-account-key.json",
        "GA4_PROPERTY_ID": "123456789"
      }
    }
  }
}

在 macOS 上，这位于 ~/Library/Application Support/Claude/claude_desktop_config.json。在 Windows 上，它位于 %APPDATA%\Claude\claude_desktop_config.json。

重启 Claude Desktop 后，GA4 工具将出现在工具菜单中。Claude 现在可以直接在对话中调用它们。

Claude Code 集成

对于主要在终端中工作的开发者，Claude Code 原生支持 MCP 服务器。将服务器添加到你的项目的 .mcp.json 中：

{
  "mcpServers": {
    "ga4-analytics": {
      "command": "node",
      "args": ["./mcp-servers/ga4/dist/server.js"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "./credentials/ga4-service-account.json",
        "GA4_PROPERTY_ID": "123456789"
      }
    }
  }
}

现在你无需离开编辑器即可查询分析数据。在调试性能回归时，你可以询问“本周与上周相比，/checkout 的跳出率是多少？”，而无需切换上下文到浏览器。

与其他兼容 MCP 的客户端一起使用

MCP 作为标准的美妙之处在于任何兼容的客户端都可以工作。Cursor、Windsurf 和其他支持 MCP 的编辑器都可以连接到同一个服务器。你只需构建一次服务器，它就可以在任何地方工作。

对话式分析的实际示例

让我带你了解一个我经常使用的真实工作流程。

晨间检查

我以询问 Claude 开始一天：“给我总结一下昨天的流量——总会话数、活跃用户、前 5 个页面，以及任何参与率低于 25% 的页面。”

AI 进行三次工具调用：一次用于整体指标，一次用于热门页面，一次用于低参与度页面。它会返回类似以下内容：

昨天：2,341 次会话，来自 1,892 个独立用户。热门页面是 /home (580 次会话)、/pricing (412)、/docs/getting-started (389)、/blog/mcp-guide (267)、/features (198)。有两个页面的参与率低于 25%：/legal/terms (12%) 和 /blog/old-post-2024 (22%)。

这在 GA4 界面中需要 5-10 分钟。通过 MCP，只需 15 秒。

功能发布监控

当我发布新功能时，我想知道人们是否找到了它并正在使用它。“比较 /features/new-dashboard 在发布前 3 天与发布后 3 天的流量，按获取渠道细分。”

AI 运行比较，识别哪些渠道正在推动发现（通常在发布后的最初几天，直接流量和自然搜索落后于社交和推荐），并突出显示任何异常。

调试用户投诉

当用户报告“网站感觉很慢”时，我可以问：“过去 7 天，按页面划分的平均页面加载时间是多少，按最慢的排序？”如果 GA4 有 Web Vitals 数据（通过测量协议或 gtag 事件），MCP 服务器可以显示这些数据，而无需我打开浏览器。

每周报告

“生成我们前 20 个页面的会话数、新用户、参与率和转化率的周环比比较。”

这会生成一个格式化的表格，我可以直接放入 Slack 消息或团队更新中。无需电子表格操作，无需截图裁剪。

构建高级功能

缓存层

GA4 的 API 有速率限制（免费层通常每个属性每分钟 10 个请求）。对于可能频繁查询的 MCP 服务器，添加一个缓存层：

import { createHash } from "crypto";

const cache = new Map<string, { data: any; expiry: number }>();

function getCacheKey(dimensions: string[], metrics: string[], startDate: string, endDate: string): string {
  const input = JSON.stringify({ dimensions, metrics, startDate, endDate });
  return createHash("md5").update(input).digest("hex");
}

export async function cachedRunReport(
  dimensions: string[],
  metrics: string[],
  startDate: string,
  endDate: string
) {
  const key = getCacheKey(dimensions, metrics, startDate, endDate);
  const cached = cache.get(key);

  if (cached && cached.expiry > Date.now()) {
    return cached.data;
  }

  const result = await runReport(dimensions, metrics, startDate, endDate);

  // Cache for 5 minutes (real-time queries get shorter TTL)
  const ttl = startDate === "today" ? 60_000 : 300_000;
  cache.set(key, { data: result, expiry: Date.now() + ttl });

  return result;
}

实时查询的 TTL 为 1 分钟。历史查询的 TTL 为 5 分钟。这使你在对话会话中保持在速率限制内，AI 可能会在短时间内进行多次相关查询。

多属性支持

如果你管理多个产品或客户端，扩展服务器以支持在 GA4 属性之间切换：

server.tool(
  "switch_property",
  "Switch to a different GA4 property",
  {
    propertyId: z.string().describe("The GA4 property ID to switch to"),
  },
  async ({ propertyId }) => {
    // Validate access
    const properties = await listAccessibleProperties();
    if (!properties.includes(propertyId)) {
      return {
        content: [{ type: "text", text: `No access to property ${propertyId}` }],
      };
    }

    currentPropertyId = propertyId;
    return {
      content: [{ type: "text", text: `Switched to property ${propertyId}` }],
    };
  }
);

现在你可以说“切换到 staging 属性并显示我昨天的流量”，而无需重新配置任何内容。

安全注意事项

运行访问分析数据的 MCP 服务器会引入一些需要深思熟虑的安全问题。

凭证管理

服务帐号密钥文件是最敏感的部分。切勿将其提交到版本控制。使用环境变量或秘密管理器。如果你在本地运行 MCP 服务器（这是 Claude Desktop 的常见情况），请将密钥文件存储在项目目录之外，并限制文件权限：

chmod 600 /path/to/service-account-key.json

对于团队环境，考虑使用 Google Cloud 的 Workload Identity Federation 而不是密钥文件。它通过使用与运行时身份绑定的短期令牌来完全消除静态凭证。

最小权限原则

服务帐号应具有对 GA4 的只读访问权限。具体来说，在 GA4 属性级别授予“查看者”角色——而不是“编辑者”或“管理员”角色。MCP 服务器永远不需要修改你的分析配置、创建受众或更改测量设置。

在 Google Cloud 项目级别，仅授予 analyticsdata.readonly 范围。这可以防止服务帐号在密钥泄露时访问任何其他 Google Cloud 服务。

数据暴露范围

请谨慎对待 MCP 服务器可以访问的数据。GA4 可能包含 PII——用户 ID、客户端 ID、IP 派生的地理位置。你的 MCP 服务器应剥离或屏蔽对你希望支持的查询不必要的字段。

const BLOCKED_DIMENSIONS = ["userID", "clientId"];

function validateDimensions(dimensions: string[]) {
  const blocked = dimensions.filter((d) => BLOCKED_DIMENSIONS.includes(d));
  if (blocked.length > 0) {
    throw new Error(`Blocked dimensions for privacy: ${blocked.join(", ")}`);
  }
}

如果其他团队成员可以与 MCP 服务器交互，这一点尤其重要。你需要防止可能暴露个人用户数据的随意查询。

传输安全

MCP 目前在使用 Claude Desktop 时通过 stdio（标准输入/输出）运行，这意味着通信发生在本地进程边界内。没有网络暴露。但是，如果你通过 HTTP 部署 MCP 服务器（使用 SSE 传输），你需要 TLS、身份验证令牌和速率限制——将其视为任何其他 API 端点。

审计日志

记录 MCP 服务器处理的每个查询。这不仅是为了安全——也是为了问责。当有人问“谁何时查询了我们的分析数据”时，你应该有答案。

function logQuery(tool: string, params: Record<string, unknown>) {
  console.log(JSON.stringify({
    timestamp: new Date().toISOString(),
    tool,
    params,
    propertyId: currentPropertyId,
  }));
}

权衡和限制

哪些方面效果好

对话式分析消除了开发者的 GA4 学习曲线。你不需要知道 GA4 的维度和指标名称、报告类型或过滤语法。AI 处理翻译。对于临时问题——那种你只问一次且不再重复的问题——这比仪表板快得多。

将分析与开发上下文结合起来非常强大。当你在 Claude Code 中调试时，可以同时检查分析数据，反馈循环会收紧。你可以在一个地方看到代码、错误日志和用户影响。

哪些方面效果不佳

需要迭代细化的复杂探索在 GA4 的探索界面中仍然更快。如果你正在构建一个具有多个阶段、自定义细分和比较组的漏斗分析，可视化构建器可以提供即时反馈，这是对话式界面无法比拟的。

自动刷新的实时仪表板超出了 MCP 当前的模型。MCP 是请求-响应式的——你提问，它回答。对于显示实时用户的实时更新仪表板，像 GA4 的实时视图或自定义 Grafana 面板这样的专用工具更好。

数据量是一个限制。GA4 Data API 每次请求最多返回 100,000 行。对于每天有数百万事件的属性，你可能需要具体说明维度和日期范围，以避免达到此限制。API 对于大型数据集也有采样行为——对于高基数查询，结果可能是估计值而非精确值。

MCP 与直接 API 集成

如果你正在构建需要分析数据的产品功能（例如你的 SaaS 的管理仪表板），请直接使用 GA4 API。MCP 用于人机交互查询，而不是程序化数据管道。当你确切知道要运行什么查询时，自然语言翻译和 AI 解释的开销是不必要的。

当问题是非结构化的、当你不知道确切要寻找什么、或者当构建适当集成的努力对于一次性问题不值得时，MCP 就会大放异彩。它相当于打开 REPL 而不是编写脚本的分析工具。

入门

如果你想自己尝试一下，最简单的路径是：

  1. 创建一个 Google Cloud 项目并启用 Google Analytics Data API。
  2. 创建一个服务帐号，并授予对你的 GA4 属性的查看者访问权限。
  3. 下载服务帐号密钥 JSON 文件。
  4. 如上所述克隆或构建 MCP 服务器。
  5. 将服务器添加到你的 Claude Desktop 或 Claude Code 配置中。
  6. 开始提问。

如果你已经有一个 GA4 属性，整个设置大约需要 30 分钟。回报是立竿见影的——当你第一次在 5 秒内而不是 5 分钟内得到分析问题的答案时，你将不想再回到仪表板。

分析数据是大多数开发团队中最未充分利用的资产之一。不是因为它没有价值，而是因为访问它一直不方便，足以阻止随意查询。MCP 消除了这种摩擦。数据是相同的。问题是相同的。改变的是回答时间。

相关项目

RestoHub

餐厅不再把30%的利润拱手让给Uber Eats——他们在一个平台上拥有自己的点餐、菜单、网站和会员系统。完整的Uber Eats级体验，但餐厅保留每一分钱。

DU

Danil Ulmashev

Full Stack Developer

有兴趣一起合作吗？

预约免费通话作品