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
🚨 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
.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
- 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.
- 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."
}
}
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.
Lizenz
MIT