🚀 Graphistry MCP集成
本项目借助Graphistry和MCP，为大语言模型提供GPU加速的图可视化和分析功能，解决了大语言模型在处理复杂网络数据可视化和分析方面的难题，为其提供了标准化、友好的接口，提升了分析效率和效果。
🚀 快速开始
本项目将Graphistry强大的GPU加速图可视化平台与模型控制协议（MCP）集成，为AI助手和大语言模型（LLMs）赋予了高级图分析能力。它使LLMs能够通过标准化、对LLMs友好的接口来可视化和分析复杂的网络数据。
✨ 主要特性
- 通过Graphistry实现GPU加速的图可视化
- 高级模式发现和关系分析
- 网络分析（社区检测、中心性、路径查找、异常检测）
- 支持多种数据格式（Pandas、NetworkX、边列表）
- 对LLMs友好的API：使用单个
graph_data字典来调用图工具
🚨 重要提示
⚠️ 重要提示
此MCP服务器需要一个免费的Graphistry账户才能使用可视化功能。
- 在 hub.graphistry.com 上注册一个免费账户。
- 在启动服务器之前，将您的凭据设置为环境变量或存储在
.env文件中：export GRAPHISTRY_USERNAME=your_username export GRAPHISTRY_PASSWORD=your_password # 或者创建一个.env文件，内容如下： # GRAPHISTRY_USERNAME=your_username # GRAPHISTRY_PASSWORD=your_password.env.example获取模板。
📦 安装指南
推荐安装方式（Python虚拟环境 + pip）
# 克隆仓库
git clone https://github.com/graphistry/graphistry-mcp.git
cd graphistry-mcp
# 设置虚拟环境并安装依赖
python3 -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"
# 设置您的Graphistry凭据（见上文）
或者使用安装脚本：
./setup-graphistry-mcp.sh
💻 使用示例
启动服务器
# 如果虚拟环境尚未激活，请激活它
source .venv/bin/activate
# 启动服务器（标准输入输出模式）
python run_graphistry_mcp.py
# 或者使用启动脚本，支持HTTP或标准输入输出模式（推荐，安全加载.env文件）
./start-graphistry-mcp.sh --http 8080
安全与凭据处理
⚠️ 重要提示
服务器使用 python-dotenv 从环境变量或
.env文件中加载凭据，因此您可以安全地在本地开发中使用.env文件。
💡 使用建议
start-graphistry-mcp.sh脚本会加载.env文件，这是启动服务器最可靠和安全的方式。
添加到Cursor（或其他支持MCP的工具）
将MCP服务器添加到您的 .cursor/mcp.json 或等效配置文件中：
{
"graphistry": {
"command": "/path/to/your/.venv/bin/python",
"args": ["/path/to/your/run_graphistry_mcp.py"],
"env": {
"GRAPHISTRY_USERNAME": "your_username",
"GRAPHISTRY_PASSWORD": "your_password"
},
"type": "stdio"
}
}
确保使用虚拟环境（可以通过使用虚拟环境中Python的完整路径，或在启动前激活它）。如果您遇到API版本错误或缺少凭据的问题，请仔细检查您的环境变量和注册信息。
示例：可视化图（对LLMs友好的API）
主要工具 visualize_graph 现在接受单个 graph_data 字典。示例如下：
基础用法
{
"graph_data": {
"graph_type": "graph",
"edges": [
{"source": "A", "target": "B"},
{"source": "A", "target": "C"},
{"source": "A", "target": "D"},
{"source": "A", "target": "E"},
{"source": "B", "target": "C"},
{"source": "B", "target": "D"},
{"source": "B", "target": "E"},
{"source": "C", "target": "D"},
{"source": "C", "target": "E"},
{"source": "D", "target": "E"}
],
"nodes": [
{"id": "A"}, {"id": "B"}, {"id": "C"}, {"id": "D"}, {"id": "E"}
],
"title": "5-node, 10-edge Complete Graph",
"description": "A complete graph of 5 nodes (K5) where every node is connected to every other node."
}
}
高级用法
{
"graph_data": {
"graph_type": "hypergraph",
"edges": [
{"source": "A", "target": "B", "group": "G1", "weight": 0.7},
{"source": "A", "target": "C", "group": "G1", "weight": 0.6},
{"source": "B", "target": "C", "group": "G2", "weight": 0.8},
{"source": "A", "target": "D", "group": "G2", "weight": 0.5}
],
"columns": ["source", "target", "group"],
"title": "Test Hypergraph",
"description": "A simple test hypergraph."
}
}
📚 详细文档
以下是可用的MCP工具，用于图可视化、分析和操作：
- visualize_graph：使用Graphistry的GPU加速渲染器可视化图或超图。
- get_graph_ids：列出当前会话中所有存储的图ID。
- get_graph_info：获取存储图的元数据（节点/边数量、标题、描述）。
- apply_layout：对图应用标准布局（力导向、径向、圆形、网格）。
- detect_patterns：运行网络分析（中心性、社区检测、路径查找、异常检测）。
- encode_point_color：按列设置节点颜色编码（分类或连续）。
- encode_point_size：按列设置节点大小编码（分类或连续）。
- encode_point_icon：按列设置节点图标编码（分类，带有图标映射或分箱）。
- encode_point_badge：按列设置节点徽章编码（分类，带有图标映射或分箱）。
- apply_ring_categorical_layout：按分类列（如组/类型）将节点排列成环。
- apply_group_in_a_box_layout：将节点排列成组内盒布局（需要igraph）。
- apply_modularity_weighted_layout：按模块化加权布局排列节点（需要igraph）。
- apply_ring_continuous_layout：按连续列（如分数）将节点排列成环。
- apply_time_ring_layout：按日期时间列（如创建时间）将节点排列成环。
- apply_tree_layout：将节点排列成树（分层分级）布局。
- set_graph_settings：设置高级可视化设置（节点大小、边影响等）。
🤝 贡献说明
欢迎提交Pull Request和提出问题！随着我们对由LLM驱动的图分析和工具集成的了解不断深入，本项目正在快速发展。
📄 许可证
本项目采用MIT许可证。