Integración de Graphistry MCP

Visualización y análisis de gráficos acelerados por GPU para modelos de lenguaje grandes usando Graphistry y MCP.

Descripción general

Este proyecto integra la potente plataforma de visualización de gráficos acelerada por GPU de Graphistry con el Protocolo de Control de Modelos (MCP), lo que permite capacidades avanzadas de análisis de gráficos para asistentes de IA y LLM. Permite a los LLM visualizar y analizar datos de red complejos a través de una interfaz estandarizada y compatible con LLM.

Características principales:

Visualización de gráficos acelerada por GPU mediante Graphistry
Descubrimiento avanzado de patrones y análisis de relaciones
Análisis de red (detección de comunidad, centralidad, búsqueda de rutas, detección de anomalías)
Compatibilidad con varios formatos de datos (Pandas, NetworkX, listas de borde)
API compatible con LLM: diccionario graph_data único para herramientas de gráficos

Related MCP server: Data Visualization MCP Server

🚨 Importante: Es necesario registrarse en Graphistry

Este servidor MCP requiere una cuenta Graphistry gratuita para utilizar las funciones de visualización.

Regístrese para obtener una cuenta gratuita en hub.graphistry.com
Establezca sus credenciales como variables de entorno o en un archivo .env antes de iniciar el servidor:
export GRAPHISTRY_USERNAME=your_username export GRAPHISTRY_PASSWORD=your_password # or create a .env file with: # GRAPHISTRY_USERNAME=your_username # GRAPHISTRY_PASSWORD=your_password
Consulte .env.example para obtener una plantilla.

Configuración de MCP (.mcp.json)

Para usar este proyecto con Cursor u otras herramientas compatibles con MCP, necesita un archivo .mcp.json en la raíz del proyecto. Se proporciona una plantilla como .mcp.json.example .

Configuración:

cp .mcp.json.example .mcp.json

Edite .mcp.json a:

Establezca las rutas correctas para su entorno (por ejemplo, raíz del proyecto, ejecutable de Python, script del servidor)
Establezca sus credenciales de Graphistry (o utilice variables de entorno/.env)
Elija entre los modos HTTP y stdio:
- graphistry-http : se conecta a través de HTTP (configura la url para que coincida con el puerto de tu servidor)
- graphistry : se conecta a través de stdio (establezca el command , args y env según sea necesario)

Nota:

.mcp.json.example contiene las configuraciones HTTP y stdio. Habilítelas o deshabilítelas según sea necesario configurando el campo disabled .
Consulte .env.example para configurar la variable de entorno.

Instalación

Instalación recomendada (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)

O utilice el script de configuración:

./setup-graphistry-mcp.sh

Uso

Iniciando el servidor

# 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

Seguridad y manejo de credenciales

El servidor carga las credenciales de las variables de entorno o .env usando python-dotenv , por lo que puede usar de forma segura un archivo .env para el desarrollo local.
El script start-graphistry-mcp.sh obtiene el archivo .env y es la forma más sólida y segura de iniciar el servidor.

Agregar a Cursor (u otras herramientas LLM)

Agregue el servidor MCP a su .cursor/mcp.json o configuración equivalente:
{ "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" } }
Asegúrese de que se utilice el entorno virtual (ya sea utilizando la ruta completa al Python de venv o activándolo antes de iniciarlo).
Si ve errores sobre la versión de API o credenciales faltantes, verifique nuevamente las variables de entorno y el registro.

Ejemplo: Visualización de un gráfico (API compatible con LLM)

La herramienta principal, visualize_graph , ahora acepta un único diccionario graph_data . Ejemplo:

{ "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." } }

Ejemplo (hipergrafo):

{ "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." } }

Herramientas MCP disponibles

Las siguientes herramientas MCP están disponibles para la visualización, el análisis y la manipulación de gráficos:

visualize_graph : visualice un gráfico o hipergráfico utilizando el renderizador acelerado por GPU de Graphistry.
get_graph_ids : enumera todos los ID de gráficos almacenados en la sesión actual.
get_graph_info : obtiene metadatos (cantidad de nodos/bordes, título, descripción) para un gráfico almacenado.
apply_layout : aplicar un diseño estándar (force_directed, radial, círculo, cuadrícula) a un gráfico.
detect_patterns : ejecuta análisis de red (centralidad, detección de comunidad, búsqueda de rutas, detección de anomalías).
encode_point_color : establece la codificación de color del nodo por columna (categórica o continua).
encode_point_size : establece la codificación del tamaño del nodo por columna (categórica o continua).
encode_point_icon : establece la codificación del ícono del nodo por columna (categórica, con mapeo o agrupamiento de íconos).
encode_point_badge : establece la codificación de la insignia del nodo por columna (categórica, con mapeo de íconos o agrupamiento).
apply_ring_categorical_layout : organiza los nodos en anillos según una columna categórica (por ejemplo, grupo/tipo).
apply_group_in_a_box_layout : organiza los nodos en un diseño de grupo en un cuadro (requiere igraph).
apply_modularity_weighted_layout : organiza los nodos según el diseño ponderado por modularidad (requiere igraph).
apply_ring_continuous_layout : organiza los nodos en anillos mediante una columna continua (por ejemplo, puntuación).
apply_time_ring_layout : organiza los nodos en anillos según una columna de fecha y hora (por ejemplo, created_at).
apply_tree_layout : organiza los nodos en un diseño de árbol (jerárquico en capas).
set_graph_settings : establece configuraciones de visualización avanzadas (tamaño del punto, influencia de los bordes, etc.).

Contribuyendo

¡Bienvenidos los PR y los problemas! Este proyecto evoluciona rápidamente a medida que aprendemos más sobre el análisis de gráficos basado en LLM y la integración de herramientas.