Graphistry MCP-Integration

GPU-beschleunigte Graphvisualisierung und -analyse für große Sprachmodelle mit Graphistry und MCP.

Überblick

Dieses Projekt integriert die leistungsstarke GPU-beschleunigte Graphvisualisierungsplattform von Graphistry mit dem Model Control Protocol (MCP) und ermöglicht so erweiterte Graphanalysefunktionen für KI-Assistenten und LLMs. LLMs können komplexe Netzwerkdaten über eine standardisierte, LLM-freundliche Schnittstelle visualisieren und analysieren.

Hauptmerkmale:

GPU-beschleunigte Graphvisualisierung über Graphistry
Erweiterte Mustererkennung und Beziehungsanalyse
Netzwerkanalyse (Community-Erkennung, Zentralität, Pfadfindung, Anomalieerkennung)
Unterstützung für verschiedene Datenformate (Pandas, NetworkX, Edge-Listen)
LLM-freundliche API: einzelnes graph_data Dict für Graph-Tools

Related MCP server: Data Visualization MCP Server

🚨 Wichtig: Graphistry-Registrierung erforderlich

Für die Nutzung der Visualisierungsfunktionen dieses MCP-Servers ist ein kostenloses Graphistry-Konto erforderlich.

Registrieren Sie sich für ein kostenloses Konto unter hub.graphistry.com
Legen Sie Ihre Anmeldeinformationen als Umgebungsvariablen oder in einer .env Datei fest, bevor Sie den Server starten:
export GRAPHISTRY_USERNAME=your_username export GRAPHISTRY_PASSWORD=your_password # or create a .env file with: # GRAPHISTRY_USERNAME=your_username # GRAPHISTRY_PASSWORD=your_password
Eine Vorlage finden Sie unter .env.example .

MCP-Konfiguration (.mcp.json)

Um dieses Projekt mit Cursor oder anderen MCP-kompatiblen Tools zu verwenden, benötigen Sie eine .mcp.json Datei im Projektstammverzeichnis. Eine Vorlage steht als .mcp.json.example zur Verfügung.

Aufstellen:

cp .mcp.json.example .mcp.json

Bearbeiten Sie .mcp.json wie folgt:

Legen Sie die richtigen Pfade für Ihre Umgebung fest (z. B. Projektstamm, ausführbare Python-Datei, Serverskript).
Legen Sie Ihre Graphistry-Anmeldeinformationen fest (oder verwenden Sie Umgebungsvariablen/.env).
Wählen Sie zwischen HTTP- und Stdio-Modus:
- graphistry-http : Verbindung über HTTP (stellen Sie die url so ein, dass sie mit dem Port Ihres Servers übereinstimmt)
- graphistry : Verbindung über stdio ( command , args und env nach Bedarf festlegen)

Notiz:

.mcp.json.example enthält sowohl HTTP- als auch stdio-Konfigurationen. Aktivieren/deaktivieren Sie diese nach Bedarf, indem Sie das disabled Feld festlegen.
Informationen zum Einrichten von Umgebungsvariablen finden Sie unter .env.example .

Installation

Empfohlene Installation (Python venv + pip)

# Clone the repository git clone https://github.com/graphistry/graphistry-mcp.git cd graphistry-mcp # Set up virtual environment and install dependencies python3 -m venv .venv source .venv/bin/activate pip install -e ".[dev]" # Set up your Graphistry credentials (see above)

Oder verwenden Sie das Setup-Skript:

./setup-graphistry-mcp.sh

Verwendung

Starten des Servers

# Activate your virtual environment if not already active source .venv/bin/activate # Start the server (stdio mode) python run_graphistry_mcp.py # Or use the start script for HTTP or stdio mode (recommended, sources .env securely) ./start-graphistry-mcp.sh --http 8080

Sicherheit und Handhabung von Anmeldeinformationen

Der Server lädt Anmeldeinformationen aus Umgebungsvariablen oder .env mithilfe von python-dotenv , sodass Sie eine .env Datei sicher für die lokale Entwicklung verwenden können.
Das Skript start-graphistry-mcp.sh bezieht .env und ist die robusteste und sicherste Möglichkeit, den Server zu starten.

Hinzufügen zum Cursor (oder anderen LLM-Tools)

Fügen Sie den MCP-Server zu Ihrer .cursor/mcp.json oder einer gleichwertigen Konfiguration hinzu:
{ "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" } }
Stellen Sie sicher, dass die virtuelle Umgebung verwendet wird (entweder indem Sie den vollständigen Pfad zum Python des Venv verwenden oder indem Sie es vor dem Start aktivieren).
Wenn Sie Fehler bezüglich der API-Version oder fehlende Anmeldeinformationen sehen, überprüfen Sie Ihre Umgebungsvariablen und Ihre Registrierung.

Beispiel: Visualisieren eines Graphen (LLM-freundliche API)

Das Haupttool, visualize_graph , akzeptiert jetzt ein einzelnes graph_data -Wörterbuch. Beispiel:

{ "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." } }

Beispiel (Hypergraph):

{ "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." } }

Verfügbare MCP-Tools

Die folgenden MCP-Tools stehen zur Visualisierung, Analyse und Bearbeitung von Diagrammen zur Verfügung:

visualize_graph : Visualisieren Sie einen Graphen oder Hypergraphen mit dem GPU-beschleunigten Renderer von Graphistry.
get_graph_ids : Listet alle gespeicherten Graph-IDs in der aktuellen Sitzung auf.
get_graph_info : Ruft Metadaten (Knoten-/Kantenanzahl, Titel, Beschreibung) für ein gespeichertes Diagramm ab.
apply_layout : Wenden Sie ein Standardlayout (kraftgerichtet, radial, Kreis, Gitter) auf ein Diagramm an.
detect_patterns : Führen Sie eine Netzwerkanalyse durch (Zentralität, Community-Erkennung, Pfadfindung, Anomalieerkennung).
encode_point_color : Legen Sie die Farbcodierung des Knotens nach Spalte fest (kategorisch oder kontinuierlich).
encode_point_size : Legen Sie die Knotengrößenkodierung nach Spalte fest (kategorisch oder kontinuierlich).
encode_point_icon : Legen Sie die Knotensymbolkodierung nach Spalte fest (kategorisch, mit Symbolzuordnung oder Binning).
encode_point_badge : Legen Sie die Knoten-Badge-Kodierung nach Spalte fest (kategorisch, mit Symbolzuordnung oder Binning).
apply_ring_categorical_layout : Ordnen Sie Knoten in Ringen nach einer kategorischen Spalte an (z. B. Gruppe/Typ).
apply_group_in_a_box_layout : Knoten im Group-in-a-Box-Layout anordnen (erfordert igraph).
apply_modularity_weighted_layout : Knoten nach modularitätsgewichtetem Layout anordnen (erfordert igraph).
apply_ring_continuous_layout : Ordnen Sie Knoten in Ringen nach einer kontinuierlichen Spalte an (z. B. Punktzahl).
apply_time_ring_layout : Ordnen Sie Knoten in Ringen nach einer Datums-/Uhrzeitspalte an (z. B. „created_at“).
apply_tree_layout : Ordnen Sie Knoten in einem Baumlayout (hierarchisch geschichtet) an.
set_graph_settings : Erweiterte Visualisierungseinstellungen festlegen (Punktgröße, Kanteneinfluss usw.).

Beitragen

PRs und Probleme sind willkommen! Dieses Projekt entwickelt sich rasant, da wir immer mehr über LLM-gesteuerte Graphanalyse und Tool-Integration erfahren.