mcp-server-chart
mcp-server-chart 是一款基于 Model Context Protocol (MCP) 构建的开源可视化服务,旨在帮助 AI 模型轻松生成专业图表并进行数据分析。它底层依托强大的 AntV 可视化引擎,内置了面积图、柱状图、箱线图、双轴图、鱼骨图等 26 种常用图表类型,能够根据自然语言指令自动将数据转化为直观的图形。
这款工具主要解决了大语言模型在原生环境下缺乏直接绘图能力的痛点,让 AI 不仅能处理文本,还能“看懂”并“画出”数据趋势与分布,极大地提升了数据解读的效率。无论是需要快速验证数据的科研人员、希望在工作流中集成可视化功能的开发者,还是希望通过 Dify 等平台构建智能数据分析助手的普通用户,都能从中受益。
其技术亮点在于采用了 TypeScript 开发,提供了标准化的 MCP 接口,支持通过 SSE 或流式传输灵活部署。它不仅是一个简单的绘图插件,更是一个可扩展的服务器端组件,允许用户通过配置环境变量进行私有化部署或自定义工具过滤。对于想要构建具备数据洞察能力的 AI 应用团队来说,mcp-server-chart 提供了一个轻量且高效的解决方案。
使用场景
某电商数据分析师需要在每日晨会前,快速从杂乱的订单日志中提取关键指标并生成可视化报告,以向管理层汇报上周的销售趋势与异常波动。
没有 mcp-server-chart 时
- 分析师需手动将原始数据导出至 Excel 或编写独立的 Python 脚本,经过繁琐的清洗和格式转换才能绘图,耗时超过 1 小时。
- 遇到双轴对比(如销售额与转化率)或漏斗分析等复杂图表时,往往因代码模板缺失而反复调试,容易出错且难以复用。
- 在 AI 助手辅助分析时,模型只能输出文字结论或静态数据表格,无法直接调用绘图能力,导致“洞察”与“展示”严重脱节。
- 每次调整图表类型(如从柱状图改为面积图)都需要修改大量底层代码,响应业务临时变更的需求极其迟缓。
使用 mcp-server-chart 后
- 分析师只需让 AI 直接调用
generate_line_chart或generate_funnel_chart等工具,输入自然语言指令即可秒级生成基于 AntV 的专业图表。 - 内置的 25+ 种图表类型(包括双轴图、箱线图、鱼骨图等)覆盖了所有分析场景,无需再为特殊图表寻找第三方库或手写代码。
- AI 能够串联数据分析与可视化流程,自动识别数据特征并推荐最合适的图表(如自动用盒须图展示异常值),实现从“数据”到“洞察”的一站式闭环。
- 通过简单的参数调整即可实时切换图表形态,轻松应对晨会上管理层提出的“换个视角看数据”的即时需求。
mcp-server-chart 将原本割裂的数据分析与可视化过程融合为流畅的自然语言交互,让业务人员能专注于决策而非制图技术细节。
运行环境要求
- macOS
- Windows
- Linux
未说明
未说明

快速开始
MCP 服务器图表
一个用于使用 AntV 生成图表的模型上下文协议服务器。我们可以使用此 mcp 服务器进行 图表生成 和 数据分析。
这是一个基于 TypeScript 的 MCP 服务器,提供图表生成功能。它允许您通过 MCP 工具创建各种类型的图表。您也可以在 Dify 中使用它。
📋 目录
✨ 特性
现已支持 26+ 种图表。
generate_area_chart: 生成面积图,用于展示连续自变量下的数据趋势,便于观察整体数据变化趋势。generate_bar_chart: 生成条形图,用于比较不同类别之间的数值,适合横向对比。generate_boxplot_chart: 生成箱线图,用于展示数据的分布情况,包括中位数、四分位数及异常值。generate_column_chart: 生成柱状图,用于比较不同类别之间的数值,适合纵向对比。generate_district_map- 生成区域地图,用于展示行政区划及数据分布。generate_dual_axes_chart: 生成双轴图,用于展示两个具有不同单位或范围的变量之间的关系。generate_fishbone_diagram: 生成鱼骨图,又称石川图,用于识别和展示问题的根本原因。generate_flow_diagram: 生成流程图,用于展示某个过程的步骤和顺序。generate_funnel_chart: 生成漏斗图,用于展示数据在不同阶段的流失情况。generate_histogram_chart: 生成直方图,用于将数据按区间划分并统计每个区间内的数据数量,从而展示数据分布。generate_line_chart: 生成折线图,用于展示数据随时间或其他连续变量的变化趋势。generate_liquid_chart: 生成液态图,用于展示数据比例,以充满水的球体形式直观地表示百分比。generate_mind_map: 生成思维导图,用于展示思维过程和层次化信息。generate_network_graph: 生成网络图,用于展示节点之间的关系和连接。generate_organization_chart: 生成组织结构图,用于展示组织架构和人员关系。generate_path_map- 生成路径图,用于展示 POI 的路线规划结果。generate_pie_chart: 生成饼图,用于展示数据的比例,将数据分成若干部分,每部分用扇形表示其占比。generate_pin_map- 生成点位图,用于展示 POI 的分布情况。generate_radar_chart: 生成雷达图,用于全面展示多维数据,在类似雷达的格式中显示多个维度。generate_sankey_chart: 生成桑基图,用于展示数据流动和流量,以桑基图的形式表示数据在不同节点之间的流动。generate_scatter_chart: 生成散点图,用于展示两个变量之间的关系,在坐标系上以分散的点来表示数据。generate_treemap_chart: 生成树状图,用于展示层次化数据,以矩形的形式呈现数据,矩形的大小代表数据的值。generate_venn_chart: 生成文氏图,用于展示集合之间的关系,包括交集、并集和差集。generate_violin_chart: 生成小提琴图,用于展示数据分布,结合了箱线图和密度图的特点,提供更详细的数据分布视图。generate_word_cloud_chart: 生成词云图,用于展示文本数据中单词的频率,字体大小表示每个单词的频率。generate_spreadsheet: 生成电子表格或数据透视表,用于展示表格数据。当提供 'rows' 或 'values' 字段时,会渲染为数据透视表(交叉表);否则,会渲染为普通表格。
[!NOTE] 上述地理可视化图表生成工具使用 高德地图服务,目前仅支持在中国境内生成地图。
🤖 使用方法
要与 Desktop APP 配合使用,例如 Claude、VSCode、Cline、Cherry Studio、Cursor 等,请添加以下 MCP 服务器配置。在 Mac 系统上:
{
"mcpServers": {
"mcp-server-chart": {
"command": "npx",
"args": ["-y", "@antv/mcp-server-chart"]
}
}
}
在 Windows 系统上:
{
"mcpServers": {
"mcp-server-chart": {
"command": "cmd",
"args": ["/c", "npx", "-y", "@antv/mcp-server-chart"]
}
}
}
此外,您也可以在 aliyun、modelscope、glama.ai、smithery.ai 或其他支持 HTTP、SSE 协议的平台上使用。
🎨 技能使用
如果您使用的 AI IDE 支持技能功能(如 Claude Code),可以使用 chart-visualization 技能自动选择最佳图表类型并生成可视化图表。
您可以从 https://github.com/antvis/chart-visualization-skills 添加该技能,命令如下:
npx skills add antvis/chart-visualization-skills
然后提供您的数据或描述您想要的可视化效果,该技能将智能地从 25 多种图表类型中进行选择,并为您生成图表。
🚰 使用 SSE 或 Streamable 传输方式运行
直接运行
全局安装该包。
npm install -g @antv/mcp-server-chart
使用您首选的传输方式运行服务器:
# 对于 SSE 传输(默认端点:/sse)
mcp-server-chart --transport sse
# 对于自定义端点的 Streamable 传输
mcp-server-chart --transport streamable
然后您可以通过以下地址访问服务器:
- SSE 传输:
http://localhost:1122/sse - Streamable 传输:
http://localhost:1122/mcp
Docker 部署
进入 docker 目录。
cd docker
使用 docker-compose 部署。
docker compose up -d
然后您可以通过以下地址访问服务器:
- SSE 传输:
http://localhost:1123/sse - Streamable 传输:
http://localhost:1122/mcp
🎮 CLI 选项
您还可以在运行 MCP 服务器时使用以下 CLI 选项。通过运行带有 -H 的 CLI 来查看命令选项。
MCP Server Chart CLI
Options:
--transport, -t 指定传输协议:"stdio"、"sse" 或 "streamable"(默认:"stdio")
--host, -h 指定 SSE 或 Streamable 传输的主机(默认:localhost)
--port, -p 指定 SSE 或 Streamable 传输的端口(默认:1122)
--endpoint, -e 指定传输的端点:
- 对于 SSE:默认为 "/sse"
- 对于 Streamable:默认为 "/mcp"
--help, -H 显示此帮助信息
⚙️ 环境变量
| 变量 | 描述 | 默认 | 示例 |
|---|---|---|---|
VIS_REQUEST_SERVER |
私有部署的自定义图表生成服务 URL | https://antv-studio.alipay.com/api/gpt-vis |
https://your-server.com/api/chart |
SERVICE_ID |
图表生成记录的服务标识符 | - | your-service-id-123 |
DISABLED_TOOLS |
要禁用的工具名称列表,以逗号分隔 | - | generate_fishbone_diagram,generate_mind_map |
📠 私有部署
MCP Server Chart 默认提供免费的图表生成服务。对于有私有部署需求的用户,可以尝试使用 VIS_REQUEST_SERVER 自定义自己的图表生成服务。
{
"mcpServers": {
"mcp-server-chart": {
"command": "npx",
"args": ["-y", "@antv/mcp-server-chart"],
"env": {
"VIS_REQUEST_SERVER": "<YOUR_VIS_REQUEST_SERVER>"
}
}
}
}
您可以使用 AntV 的项目 GPT-Vis-SSR 在私有环境中部署一个 HTTP 服务,然后通过环境变量 VIS_REQUEST_SERVER 传递该 URL 地址。
- 方法:
POST - 参数: 将传递给
GPT-Vis-SSR进行渲染。例如,{ "type": "line", "data": [{ "time": "2025-05", "value": 512 }, { "time": "2025-06", "value": 1024 }] }。 - 返回: HTTP 服务的返回对象。
- success:
boolean是否成功生成图表图像。 - resultObj:
string图表图像的 URL。 - errorMessage:
string当success = false时,返回错误信息。
- success:
[!NOTE] 目前的私有部署方案不支持地理可视化图表的生成,包括 3 种工具:
geographic-district-map、geographic-path-map和geographic-pin-map。
🗺️ 生成记录
默认情况下,用户需要自行保存结果,但我们还提供查看图表生成记录的服务,这需要用户自己生成一个服务标识符并进行配置。
请使用支付宝扫描并打开小程序以生成个人服务标识符(点击下方“我的”菜单,进入“我的服务”页面,点击“生成”按钮,成功后点击“复制”按钮):
接下来,您需要将 SERVICE_ID 环境变量添加到 MCP 服务器配置中。例如,Mac 系统的配置如下(Windows 系统只需添加 env 变量):
{
"mcpServers": {
"AntV Map": {
"command": "npx",
"args": ["-y", "@antv/mcp-server-chart"],
"env": {
"SERVICE_ID": "***********************************"
}
}
}
}
更新 MCP 服务器配置后,您需要重启 AI 客户端应用程序,并再次检查是否已成功启动并连接到 MCP 服务器。然后您可以尝试再次生成地图。成功生成后,您可以前往小程序的“我的地图”页面查看您的地图生成记录。
🎛️ 工具过滤
你可以使用 DISABLED_TOOLS 环境变量来禁用特定的图表生成工具。这在某些工具与你的 MCP 客户端存在兼容性问题,或者你希望限制可用功能时非常有用。
{
"mcpServers": {
"mcp-server-chart": {
"command": "npx",
"args": ["-y", "@antv/mcp-server-chart"],
"env": {
"DISABLED_TOOLS": "generate_fishbone_diagram,generate_mind_map"
}
}
}
}
可用于过滤的工具名称 请参阅 ✨ 功能。
🔨 开发
安装依赖:
npm install
构建服务器:
npm run build
启动 MCP 服务器:
npm run start
使用 SSE 传输方式启动 MCP 服务器:
node build/index.js -t sse
使用 Streamable 传输方式启动 MCP 服务器:
node build/index.js -t streamable
📄 许可证
MIT@AntV。
版本历史
0.9.102026/02/250.9.92026/01/220.9.72025/12/240.9.62025/12/040.9.52025/11/260.9.42025/11/060.9.32025/10/290.9.22025/10/280.9.12025/10/130.9.02025/09/190.9.0-beta.02025/08/220.8.32025/08/140.8.22025/08/110.8.02025/07/250.7.32025/07/250.7.22025/07/230.7.12025/06/180.7.02025/06/180.6.12025/06/130.6.02025/06/12常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

