Visualization MCP Server

🚀 可视化MCP服务器

可视化MCP服务器是一款强大的模型上下文协议（MCP）服务器，可借助matplotlib创建交互式数据可视化。它提供了丰富的可视化工具，涵盖关系图、散点图、3D可视化等。

✨ 主要特性

• 🔗 关系图：创建网络图以可视化实体之间的连接。
• 📊 散点图：提供基本散点图和分类散点图，且样式可自定义。
• 🌐 3D可视化：支持3D散点图、曲面图和线框图。
• 📈 统计图表：包括直方图、折线图和热力图。
• 💾 自动保存：自动将高分辨率图像保存到临时目录。
• 🖼️ 实时显示：在交互式matplotlib窗口中显示图表。
• 🎨 可定制：在颜色、标签和布局方面提供丰富的样式选项。

📦 安装指南

前提条件

$ python3 -m venv .venv --upgrade-deps 
$ source .venv/bin/activate
$ pip install "mcp[cli]" httpx
$ pip install   matplotlib numpy pandas networkx

克隆并运行

git clone https://github.com/xlisp/visualization-mcp-server.git
cd visualization-mcp-server
python visualization_server.py

💻 使用示例

1. Cladue桌面客户端配置

    "visualization": {
      "command": "/Users/clojure/Desktop/visualization-mcp-server/.venv/bin/python",
      "args": [
        "/Users/clojure/Desktop/visualization-mcp-server/visualization_server.py"
      ]
    }

服务器提供了多种可视化工具，可通过MCP协议调用：

基础用法

1. 关系图

创建网络图以展示实体之间的关系：

# 示例：展示A、B、C、D之间的关系
nodes = ["Alice", "Bob", "Charlie", "Diana"]
edges = [["Alice", "Bob"], ["Bob", "Charlie"], ["Alice", "Charlie"], ["Charlie", "Diana"]]

# 调用：create_relationship_graph(nodes, edges, "社交网络")

参数：

• nodes：节点名称列表
• edges：连接列表（节点名称对）
• title：图表标题（可选）
• node_size：节点大小（默认值：1000）
• font_size：标签字体大小（默认值：12）

2. 散点图

创建带有可选标签和颜色的基本散点图：

# 示例：基本散点图
x_data = [1, 2, 3, 4, 5]
y_data = [2, 5, 3, 8, 7]
labels = ["点A", "点B", "点C", "点D", "点E"]

# 调用：create_scatter_plot(x_data, y_data, labels, title="我的散点图")

参数：

• x_data：X轴值
• y_data：Y轴值
• labels：点标签（可选）
• colors：点颜色（可选）
• title、x_label、y_label：图表标签
• size：点大小（默认值：50）

3. 分类散点图

可视化按类别分组的数据点：

# 示例：分类可视化
x_data = [1, 2, 3, 4, 5, 6]
y_data = [2, 3, 1, 5, 4, 6]
categories = ["类型A", "类型A", "类型B", "类型B", "类型C", "类型C"]

# 调用：create_classification_plot(x_data, y_data, categories)

参数：

• x_data：X轴值
• y_data：Y轴值
• categories：每个点的类别标签
• title、x_label、y_label：图表标签

4. 3D可视化

创建具有多种可视化类型的3D图表：

# 示例：3D散点图
x_data = [1, 2, 3, 4, 5]
y_data = [2, 4, 1, 5, 3]
z_data = [3, 1, 4, 2, 5]

# 调用：create_3d_plot(x_data, y_data, z_data, plot_type="scatter")

参数：

• x_data、y_data、z_data：3D坐标
• plot_type："scatter"、"surface"或"wireframe"
• title、x_label、y_label、z_label：图表标签

5. 其他图表

直方图

# create_histogram(data, bins=30, title="分布")

折线图

# create_line_plot(x_data, y_data, line_style="-", color="blue")

热力图

# create_heatmap(data_matrix, x_labels, y_labels, colormap="viridis")

高级用法

每个可视化函数：

1. 显示：在交互式matplotlib窗口中显示图表。
2. 保存：将高分辨率PNG文件保存到系统临时目录。
3. 返回：返回保存图像的文件路径。

示例输出：

"图表已保存到：/tmp/relationship_graph_20250802_143022.png 并已显示"

📚 详细文档

文件管理

• 图像以时间戳保存，避免冲突。
• 文件存储在系统临时目录：
  • Windows：C:\Users\username\AppData\Local\Temp\
  • macOS/Linux：/tmp/
• 采用高分辨率（300 DPI）PNG格式。

MCP集成

此服务器遵循模型上下文协议标准，可与兼容MCP的客户端集成。服务器默认在stdio传输上运行。

服务器配置

if __name__ == "__main__":
    mcp.run(transport='stdio')

示例

社交网络分析

# 可视化社交连接
nodes = ["Alice", "Bob", "Charlie", "Diana", "Eve"]
relationships = [
    ["Alice", "Bob"], 
    ["Bob", "Charlie"], 
    ["Charlie", "Diana"],
    ["Alice", "Eve"], 
    ["Eve", "Diana"]
]
# 创建一个显示社交连接的网络图

数据分类

# 可视化机器学习结果
features_x = [1.2, 2.3, 1.8, 3.1, 2.9, 1.5]
features_y = [2.1, 3.2, 1.9, 4.1, 3.8, 2.2]
predictions = ["A类", "B类", "A类", "B类", "B类", "A类"]
# 创建一个分类散点图

科学数据

# 3D科学可视化
x_coords = [0, 1, 2, 3, 4]
y_coords = [0, 1, 4, 9, 16]
z_coords = [0, 1, 8, 27, 64]
# 创建一个3D曲面或散点图

错误处理

服务器包含全面的错误处理：

• 检测无效数据格式。
• 验证缺失参数。
• 恢复matplotlib渲染错误。
• 检查文件系统权限。

贡献

1. 分叉仓库。
2. 创建功能分支（git checkout -b feature/amazing-feature）。
3. 提交更改（git commit -m '添加惊人功能'）。
4. 推送到分支（git push origin feature/amazing-feature）。
5. 打开拉取请求。

许可证

本项目采用MIT许可证，请参阅LICENSE文件了解详细信息。

依赖项

• matplotlib：核心绘图库。
• networkx：图形/网络可视化。
• numpy：数值计算。
• pandas：数据处理。
• mcp：MCP服务器框架。

路线图

• [ ] 交互式绘图小部件。
• [ ] 动画支持。
• [ ] 导出为多种格式（SVG、PDF）。
• [ ] 自定义配色方案。
• [ ] 集成统计分析。
• [ ] 实时数据流绘图。

支持

如果遇到任何问题或有疑问：

1. 查看问题页面。
2. 创建一个详细描述问题的新问题。
3. 提供示例数据和错误消息。

为MCP生态系统精心打造 ❤️