Stape AI Assistant 与三款开源 MCP 服务器实操指南：自动化 GA4 与 GTM 埋点工作流

打开 LinkedIn、YouTube 或是其他任何平台，AI 已经无处不在，每个人都在以某种方式用上它。

但问题在于：

大家谈论的很多都是用 AI 来生成内容、写 LinkedIn 帖子、做开发工具或搭建网站。这些固然不错，但如果你和我一样，每天都泡在 Google Tag Manager (GTM)、Google Analytics 4 (GA4) 以及服务端容器里，这些东西根本帮不上忙。你只能眼睁睁看着别人把工作流自动化，心里却在想：在我的日常数据衡量工作中，AI 到底能用在哪里？

我是 Manisha Mistry，MeasureU 的技术总监，这也是我最近经常被问到的问题。大家问的通常不是“我该使用 AI 吗”——而更多是“我如何利用 AI 加快测量工作流程？”。

这也正是 Stape 刚推出的 AI Assistant 以及三个完全免费的 MCP 服务端 大显身手的地方。我已经在 MeasureU 的两场直播工作坊中讲授过这些 MCP 服务端，日常的客户项目中我也每天都在用。这是我第一次遇到能真正与我已有衡量工具深度整合的 AI 工具。

在这篇博客中，我将带大家了解：

• MCP 服务端到底是什么，以及它的运作原理；

• Stape 提供的三款免费 MCP 服务端分别是什么，各自有什么用途；

• Stape 全新的 AI Assistant 有什么功能，又该去哪里找到它；

• 结合实际案例，说明什么时候该用 MCP 服务端，什么时候该用 AI Assistant。

废话不多说，我们直接开始。

MCP 代表模型上下文协议（Model Context Protocol），它是大语言模型（LLM）与你现有工具进行通信的一种标准化方式。

如果你在 LinkedIn 上看过有关 MCP 的文章或视频，大概率见过人们把它比作 USB-C 接口——一个通用插头，随插随用。虽然我明白这个比喻在技术层面上挑不出毛病，但我并不太喜欢它，因为它完全没说明底层究竟发生了什么。而只有弄懂底层逻辑，你才能真正把这些工具用好。

所以，我想用自己在工作坊里讲课的方式来解释它。

MCP 诞生前：只会给你列任务清单的 AI

我们肯定都试过这样：打开 LLM，对它说：“帮我约 Tim 下周三下午 5 点开个 30 分钟的会。”

无论是 Claude、ChatGPT 还是 Gemini，模型在理解任务后，在早期的 LLM 时代通常会返回一连串操作指引。比如，告诉你打开你常用的日历应用，一步一步该怎么把邀请发给他。

听起来挺好，可这些指引谁都能写给我。它并没有真正帮我做任何事，只是反手塞给我一张待办清单，上面的事一件也没帮我勾掉。

有了 MCP 之后：能直接帮你把会约好的 AI

现在我们再来看同样的提示词，但这一次，我们接入了一个拥有联系人和日历两项工具的 MCP 服务端。

在这种情况下，和之前一样，我输入相同的指令：“帮我约 Tim 下周三下午 5 点开个 30 分钟的会。”

变化随之而来：这一次，LLM 会停下来思考：“好，我需要排期一个会议。我有可用的工具吗？”接着它会调用 MCP 服务端询问有哪些工具，服务端响应并提供联系人和日历这两个工具。LLM 随即利用这些工具制定计划，向服务端下达指令，服务端便会直接去执行。

核心区别在于，这次会议真的被定下来了：大模型借助 MCP 服务器查到了 Tim 的邮箱，并直接在我的日历里排好了会议。这回任务总算被实打实地从待办清单上勾掉了。

为什么这对做数据追踪的人至关重要

拿订会议举例子很直观，因为大家都遇到过，不过这里涉及的联系人和日历只是日常工具。

现在把它们换成你平时做数据追踪时真正每天在用的工具，比如 GA4、GTM 或 Stape。如果你有这些工具的 MCP 服务器，就可以让 Claude 来帮忙处理追踪工作。比如，你可以让它创建代码、触发器、变量，搭建服务端容器，或者检查 GA4 中到底触发了哪些事件。这不再是给你一串指导步骤让你照着做，而是大模型亲自替你分担一部分繁琐的手工操作。

这就是追踪工具的 MCP 服务器能给日常工作带来的改变：你不用再去死磕那些枯燥、重复的搭建流程，而是可以直接把活交出去，然后做个验证即可，省去了一遍遍手动点击界面的麻烦。

这正是 Stape 所提供的能力：他们为上述三种工具各打造了一套 MCP 服务器。接下来我们就逐一看看。

Stape 目前推出了三款 MCP 服务器，完全免费且全部开源。不得不再次强调，Stape 能把这些回馈给社区，真的很让人感激。

GA4 MCP 服务器

首先是 GA4 MCP 服务器。你可以用它来完成各种各样的任务，例如：

• 根据特定维度和指标在 GA4 中生成报告；

• 查看实时报告，了解当前的动态；

• 生成账户概览，查看该账户下所有媒体资源（Property）的详细信息；

• 检查是否关联了 Google Ads 账户；

• 获取 GA4 中的注释记录。

我个人经常用它来快速提取 GA4 报告、检查上线一两天的新事件是否正常触发，或是整理某段时间内的注释汇总。按照 Stape GitHub 仓库中的步骤操作即可完成安装。如果你经常需要进入 GA4 做快速验证，我非常推荐试一试这款 MCP 服务器。

GTM MCP 服务器

接下来是我最喜欢的一款（虽然我知道不该厚此薄彼）——GTM MCP 服务器，它对我每周日常工作流的改变最为彻底。有了它，你就可以利用 Claude（甚至直接在 Claude 网页端对话即可，这里我们先不讨论 Claude Code）来执行以下操作：

• 审查 Google Tag Manager 容器；

• 查询已配置的代码和触发器；

• 查询已配置的变量；

• 获取容器当前完整配置的详细信息；

• 创建代码、触发器和变量；

• 在几分钟内快速搭建好一个结构规范的全新 GTM 容器。

这里我想先澄清一点，因为上次工作坊结束后一直有人私信问我这个问题：使用 GTM MCP 服务器完全不需要 Stape，也不需要服务端部署。在普通的 Web 端 GTM 容器上它就能完美运行，而且能彻底改变你日常的 GTM 工作流。

比如在上次工作坊中，有位成员向我们展示了她如何借助 GTM MCP 服务器，在完全没有数据层（Data Layer）的情况下配置好代码和触发器。她当时面对一个铺满项目卡片的页面，根本无法追踪用户点击了哪张卡片；而通过与 Claude 沟通，她只花了大约 30 分钟就完成了代码和触发器的方案制定、测试与发布——按她估计，如果纯靠手动操作，可能得花上好几个小时。

因此，如果日常工作涉及 GTM，这就是你必须安装的 MCP 服务器。安装指南可以查看 Stape 的 GitHub 仓库。

Stape MCP 服务器

最后介绍的一个 MCP 服务器面向的是（像我一样）关注服务端部署的读者，即 Stape MCP 服务器。该服务器专门负责管理 Stape 容器的基础设施。借助它，你可以完成以下操作：

• 查看 Stape 账户下已配置的容器及其运行状态；

• 创建新的 Stape 容器并配置相关代码设置；

• 向容器添加自定义域名并进行验证；

• 开关并配置 Cookie Keeper、Anonymizer 和 Proxy Files 等增强插件（Power-ups）；

• 设置容器定时调度，帮助控制成本；

• 按容器拉取用量和账单明细，并调整套餐级别。

有一点需要特别提醒：如果你拥有多个 Stape 账户，每个账户都需要在 Claude 中单独配置。因此，如果你在做服务端部署，这款 MCP 服务器正合你意；具体安装方法可参考 Stape 的 GitHub 仓库。

如果你想深入了解如何配置这些 MCP 服务器，顺便掌握一些 Claude 使用技巧，不妨考虑参加我的 MCP 工作坊。

介绍完各个 MCP 服务器之后，有一点必须说明：使用它们之前，你的电脑上需要安装 Claude 桌面版应用 以及 Node.js。Node 的安装偶尔会有点繁琐，不过只要搞定了 Node.js，这三个 MCP 服务器接入 Claude 桌面版的速度都非常快。

此外，我强烈建议订阅 Claude 付费套餐。因为使用这些 MCP 服务器需要频繁与 Claude 来回沟通：提问、检查、微调。我在两期 MeasureU 工作坊中教授过这些服务器的使用，也现场看过很多人配置，情况基本完全一致：免费套餐的额度根本撑不到你做出实质性成果。你至少需要一个 Pro 账号，价格通常在每月 20 到 30 美元左右（具体可能会有调整）。

三款 MCP 服务器协同工作

将这三款 MCP 服务器全部配置并连接完毕后，你就打通了整个数据监测链路的每个环节。

Stape 和 GTM 这两个 MCP 服务器负责搭建阶段：包括搭建服务端容器、配置域名、创建代码与触发器、审查已有配置，并在准备就绪后协助发布。随后，GA4 MCP 服务器则负责数据核验，确保事件正常触发、数据准确收集。

我在工作坊里反复强调的一条铁律就是：验证、验证，还是验证。这些服务器速度很快，也确实好用。但它们并非万无一失，你必须时刻参与其中，仔细核对它们配置或反馈的每一项内容。

这三款服务器完全免费且开源，我在 MeasureU 的课程中提供了详尽的逐步配置教学。

这三款 MCP 服务器上线已有几个月，不少人每天都在使用。而不久前，Stape 推出了一个略有不同的新功能：AI Assistant。首先需要澄清的是，AI Assistant 目前仍处于测试阶段，它绝非 MCP 服务器的替代品。你可以把它看作一种更轻量、无需安装的方式，用来实现 MCP 服务器的部分功能。

AI Assistant 直接内置在 Stape 账户中，因此你需要拥有 Stape 付费账户才能使用。

开箱即用，你可以直接用它查询 Stape 配置；也能关联 GA4 和 GTM 账号，一并进行查询。它不仅能解答各类配置问题，还能创建 Stape 容器、启动服务端容器，以及在 GTM 中配置代码和触发器。

使用方法很简单：登录 Stape 账号，在顶栏就能看到 AI Assistant。 

点击打开后，在提示词输入框中输入问题，就能收到回复。关联 GA4 和 GTM 只要不到两分钟——只需用拥有对应权限的 Google 账号完成授权即可。

讲完了 Stape 的 MCP 服务端和 AI Assistant，大家最关心的问题往往是：“具体该选哪一个？两者存在竞争关系吗？我需要两个都用，还是选一个就够了？”

这些问题问得很在理，AI Assistant 上线后我也一直在琢磨。实际上，要针对具体场景做选择并不容易，为此我整理了下表，梳理两者的核心差异：

归根结底取决于你的具体需求：如果追求快速上手，AI Assistant 非常合适，完全零门槛，提笔就能写提示词。但如果你每天都要处理类似的工作、需要可复用且自动化的流程，MCP 服务端就更有优势，因为你可以借助 Claude Skills 把这些流程标准化。

一个值得留意的已知问题

这个问题要是不提，就有点不负责任了。

在多次讲解这些服务端的使用方法后，学员们普遍反映 Stape MCP 服务端存在一个痛点：身份验证。MCP 服务端在访问 GTM 和 GA4 账号时，需要通过浏览器弹窗完成授权。目前该功能的实现机制会导致弹窗弹出过于频繁，有时甚至在未主动使用服务端时也会弹出来。

虽然这确实有点烦人，但权衡 MCP 服务端带来的巨大收益，这点小瑕疵完全可以接受。

如果你对该功能有任何疑问、遇到问题或有相关建议，欢迎随时发邮件至 support@stape.io 咨询 Stape 技术支持。

搞清楚了 MCP 服务端和 AI Assistant 的基本情况，接下来进入正题：如何将这些 MCP 服务端运用到实际客户项目中。下面列出了 MeasureU 在日常客户工作中常用的三个场景。建议在配置好 MCP 服务端后，把每个场景都试一遍，再挑选适合自己日常工作的方式落地。

场景一：审计 GTM 容器

我们都会接新客户，而接手后首先要做的事情之一，就是审计他们的 GTM。大多数人做审计都有一套标准流程，不过有的容器规模确实比其他容器大得多。

GTM MCP 服务正好在这方面帮了大忙。我没有像以前那样手动执行几十次审计，而是决定把自己的流程教给 Claude，并借助 MCP 服务直接访问 GTM。在 Claude 聊天界面试过几次后，我与 Claude 一起构建了一个可复用的技能，只要是我有权限的 GTM 容器，它都能按流程执行审计。这真的帮我省了大把时间——现在我哪怕周一刚拿到一个包含 300 多个代码的新容器权限，周一下午就能按照我的流程拿到一份完整的容器审计报告。我要做的只是快速核对确认，并决定要不要继续接这个客户。

此外还有一个额外福利：我们会在 MeasureU MCP 工作坊中分享这些技能，会员无需自己从头构建就能直接享受同样的便利。

用例 2：为新客户搭建服务（Stape + GTM）

这正是配置多个 MCP 服务开始展现威力、大显身手的地方。

我们经常会接到需要做服务端部署的新客户。对这类客户，我通常要在 Stape 中启动新服务器、创建新的 GTM 服务端容器、更新 Web 容器中的 GA4 配置代码，并在 GTM 服务端容器中添加 GA4 相关的代码和客户端。整个流程非常固定，所以 Claude 又能派上用场了；花点时间，你就能构建出一个 Claude 技能（不用说，我早就做好了）。

它的运作方式是：利用 Stape MCP 服务启动 Stape 服务器，再利用 GTM MCP 服务在 GTM 中创建新的服务端容器。接着结合两者，完成服务器的各项配置以及代码、触发器和变量的设置。手动跑过几次后，你就可以着手把这套流程固化成一个技能，这样以后遇到任何客户，都能直接套用这个可复用的配置技能。

需要特别注意一点：对于所有会修改 GTM 的 Claude 技能，我都会明确要求它不要发布。它可以在新工作区中完成配置，但必须保持未发布状态，以便我后续复核。这是我的个人习惯，因为我习惯核验 AI 的产出，这也是我在 MCP 工作坊中向大家的建议。

用例 3：记录 GTM 变更文档

这是我最喜欢的 GTM MCP 服务用例，也是我最早构建的 GTM Claude 技能之一，因为纯靠人工做记录我真的很不擅长。

我们都遇到过这种情况：发布了容器变更，几个月后却纳闷自己当初为什么要改、到底改了些什么。这种时候，文档就是你的救星。但如果你和我一样，写文档并不是自己的强项。我明知道该写，也努力去写，可手头待办事项一多，文档要么草草了事，要么直接被抛到脑后。

于是，我决定看看 Claude 和 GTM MCP 服务能不能帮我解决这个问题——事实证明，它确实做到了。

现在，每次发布新的容器版本后，我都会打开 Claude（通常是 Claude Code），输入提示词告诉它我已经发布了某个 GTM 容器的变更。我通常会附上该容器的链接，让它总结这次发布了哪些修改。随后它会给出一份变更摘要，我在聊天界面实时核对，有需要调整的地方直接提出来。确认摘要无误后，它就会自动更新 Google Sheets 中该客户的 GTM 变更追踪日志，并在对应客户的 ClickUp 任务中添加备注。

在编写文档这件事上，这对我来说是个巨大的改进——我现在终于能把文档整理得井井有条了。

需要说明的是，之所以能实现这个工作流，是因为除了前面提到的 MCP 服务器之外，我还将 Claude Code 接入了 Google Drive 和 ClickUp，因此它有权限更新这两个系统。这也充分展现了将多个 MCP 服务器融入日常工作流程的强大威力。

以上就是全部内容——我们深入了解了 Stape 的三款免费 MCP 服务器，以及将它们连接到 Claude 后，如何帮你审计 GTM 容器、从零快速搭建新服务器和 GTM 服务端容器、更新文档等。过去一年持续使用这些 MCP 服务器的过程中，我不断挖掘出新的玩法，也很高兴看到 MeasureU 的会员们也逐渐摸索出了适合他们自己的使用场景。

所以接下来，我的建议是在你的 Claude 中配置好这些 MCP 服务器，从小处着手。挑一件你平时经常做的事情（比如容器审计）作为起点先试起来。等摸熟走通之后，再循序渐进地引入下一个功能。

话虽如此，如果你觉得现在配置 MCP 服务器有些繁琐，也完全没关系。你可以先从 Stape 新推出的 AI Assistant 入手，不过要注意它目前仍处于测试阶段。你可以先借此熟悉 AI 在数据追踪测量中的应用，等准备充分了，再回过头来安装 MCP 服务器。

无论选择哪种方式，你都能开始将 AI 引入数据测量工作，并建立起可反复使用的标准化流程。所以还在等什么？赶紧动手试试吧，如果遇到问题，欢迎在下方留言评论。