Matomo LLM Tooling

Gör Matomos rapporterings- och spårnings-API:er tillgängliga för Optimizely Opal-agenter med ett typat SDK och Fastify-verktyg.

matomoanalysllmsdkoptimizelyautomation

Stora språkmodellsagenter börjar bli användbara i vardagens analysarbete – så länge du matar dem med pålitliga verktyg. Matomo LLM Tooling är min brygga mellan Optimizely Opal-agenter och Matomo-stackens rapportering och spårning: ett TypeScript-SDK, ett Fastify-baserat verktygs-API och pragmatiska hjälpare som gör både läs- och skrivflöden säkra att automatisera.

Projektet lever i MatoKit och återanvänder dess connector som kopplar Optimizely Opal till Matomo. Under huven exponerar vi Matomos Reporting- och Tracking-API:er via en Opal-kompatibel yta som gömmer det krångliga (auth, segment-syntax, rate limits) men låter agenten styra analysen.

Varför LLM-verktyg för Matomo?

Matomos API:er är flexibla men pratsamma. Analytiker och growth-team lägger tid på frågesträngar, token-auth och dataset-joiner innan de ens kan ställa en fråga. Samtidigt kan Opal-agenter orkestrera flerstegsexperiment – men de behöver typade primitiv för att undvika skräp in/soppa ut. Matomo LLM Tooling vill:

  • Snabba upp discovery – leverera maskinläsbar verktygsmetadata så att Opal-agenter vet vilka åtgärder som finns och vilka parametrar de accepterar.
  • Garantera kontrakt – kompilera ett typat SDK med genererade gränssnitt för Matomo-endpoints så att agenten slipper gissa i prompten.
  • Balansera read vs write – samla rapportfrågor och spårningspayloads i ett enda toolkit så agenten kan hämta baslinjer, föreslå experiment och trycka ut mätningar utan kontextbyte.
  • Hålla styrning intakt – centralisera auth, caching och segmentregler istället för att sprida tokens i prompts.

Vad som skeppas först

Fokus just nu är på tunna lager som snabbt kan stoppas in i automationsflöden:

  1. Typat TypeScript-SDK – wrapper Matomos Reporting- och Tracking-endpoints med tydliga input/output-strukturer, runtime-validering via Zod och smidiga hjälpare för segment, datumintervall och målmetadata.
  2. Fastify-”tools”-tjänst – hostar HTTP-endpoints som mappar 1:1 mot vanliga analysflöden (t.ex. report.getVisitsSummary, events.pushCustomEvent). Varje endpoint publicerar Opal-discovery-metadata så agenter kan självanmäla sig utan manuell kabeldragning.
  3. Connector-lim – bygger på MatoKits Optimizely Opal-connector för att autentisera agenter, upprätthålla scopes och skicka svar tillbaka till Opal. Den behåller human-in-the-loop-godkännandet som teamen redan litar på.
  4. Hjälpbibliotek för robusthet – delade moduler för exponentiell backoff, memoisering av tunga rapporter, konsekvent tidszonslogik och mjuk degradering när Matomo stryper.

Exempel på agentflöde

Ett typiskt Opal-flöde kan se ut så här:

  1. Anropa verktyget insights.getKpis för att hämta en 30-dagars baslinje för konverteringsgrad och avhopp i kassan.
  2. Använd SDK:ets segmenteringshjälpare för att jämföra kohorter baserat på samtycke eller geografi utan att läcka tokens i prompten.
  3. Skissa ett experimentunderlag och kör sedan tracking.queueEvent för att skicka ett Matomo-mål för QA eller registrera ett nytt trattsteg.
  4. Logga förändringar och strukturerade metriker tillbaka i Opal för granskning.

Varje verktygssvar innehåller ursprungsmetadata, vilket låter människor granska agentens steg innan något går live.

Roadmap och inbjudan

På kort sikt prioriterar jag spårningsdelen – batchade payloads, offline-köer och rikare validering för e-handels-händelser. På längre sikt vill jag lägga till experimentmallar som mappar Opal-hypoteser till Matomo Content Tracking samt förstklassigt stöd för integritetsbevarande metriker.

Om du lutar dig mot Matomo och testar Opal eller andra LLM-agenter får du gärna höra av dig. Mejla mig eller öppna ett issue i MatoKit-repot så jämför vi integrationsnoteringar.

Kom igång

Projektet är fortfarande privat medan jag stabiliserar SDK-ytan. Vill du labba redan nu?

  1. Be om åtkomst till MatoKit-repot.
  2. Hämta paketet matomo-llm-tooling och kör pnpm install && pnpm dev för att starta Fastify-verktygsservern lokalt.
  3. Konfigurera Opal med det upptäcktsmanifest som servern exponerar så agenten ser de nya verktygen.
  4. Peka servern mot din Matomo-instans med servicetokens som hålls utanför promptkontexten.

Kombinationen låter LLM-agenter ställa bättre analytikfrågor, föreslå modigare experiment och trycka ut rena spårningsuppdateringar utan att rucka på integritet eller regelefterlevnad.

Skaffa verktyget

Redo att rulla ut OpalMind med Matomo? Hämta paketet via Authority.se.