Graphistry MCP 통합
Graphistry와 MCP를 사용하여 대규모 언어 모델을 위한 GPU 가속 그래프 시각화 및 분석.
개요
이 프로젝트는 Graphistry의 강력한 GPU 가속 그래프 시각화 플랫폼과 모델 제어 프로토콜(MCP)을 통합하여 AI 어시스턴트와 LLM(모델 관리)을 위한 고급 그래프 분석 기능을 제공합니다. LLM은 표준화되고 LLM 친화적인 인터페이스를 통해 복잡한 네트워크 데이터를 시각화하고 분석할 수 있습니다.
주요 특징:
- Graphistry를 통한 GPU 가속 그래프 시각화
- 고급 패턴 발견 및 관계 분석
- 네트워크 분석(커뮤니티 감지, 중심성, 경로 찾기, 이상 감지)
- 다양한 데이터 형식 지원(Pandas, NetworkX, edge 리스트)
- LLM 친화적 API: 그래프 도구를 위한 단일
graph_data 사전
🚨 중요: 그래픽 디자인 등록이 필요합니다
이 MCP 서버에서 시각화 기능을 사용하려면 무료 Graphistry 계정이 필요합니다.
- hub.graphistry.com 에서 무료 계정에 가입하세요
- 서버를 시작하기 전에 자격 증명을 환경 변수나
.env 파일로 설정하세요.지엑스피1템플릿은 .env.example 참조하세요.
MCP 구성(.mcp.json)
이 프로젝트를 Cursor 또는 다른 MCP 호환 도구와 함께 사용하려면 프로젝트 루트에 .mcp.json 파일이 필요합니다. 템플릿은 .mcp.json.example 형식으로 제공됩니다.
설정:
cp .mcp.json.example .mcp.json
.mcp.json 다음과 같이 편집합니다.
- 환경에 맞는 올바른 경로를 설정하세요(예: 프로젝트 루트, Python 실행 파일, 서버 스크립트)
- Graphistry 자격 증명을 설정하세요(또는 환경 변수/.env를 사용하세요)
- HTTP와 stdio 모드 중에서 선택하세요:
graphistry-http : HTTP를 통해 연결합니다( url 을 서버 포트와 일치하도록 설정하세요)graphistry : stdio를 통해 연결합니다(필요에 따라 command , args 및 env 설정합니다)
메모:
.mcp.json.example 에는 HTTP 및 stdio 구성이 모두 포함되어 있습니다. 필요에 따라 disabled 필드를 설정하여 활성화/비활성화할 수 있습니다.- 환경 변수 설정에 대한 내용은
.env.example 참조하세요.
설치
권장 설치(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)
또는 다음 설정 스크립트를 사용하세요.
./setup-graphistry-mcp.sh
용법
서버 시작
# 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
보안 및 자격 증명 처리
- 서버는 python-dotenv를 사용하여 환경 변수 또는
.env 에서 자격 증명을 로드하므로 로컬 개발에 .env 파일을 안전하게 사용할 수 있습니다. start-graphistry-mcp.sh 스크립트는 .env 소스로 사용하며 서버를 시작하는 가장 강력하고 안전한 방법입니다.
커서(또는 다른 LLM 도구)에 추가
.cursor/mcp.json 또는 이와 동등한 구성에 MCP 서버를 추가합니다.{
"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"
}
}
- 가상 환경이 사용되었는지 확인하세요(venv의 Python에 대한 전체 경로를 사용하거나 실행하기 전에 활성화).
- API 버전이나 자격 증명 누락에 대한 오류가 표시되면 환경 변수와 등록을 다시 한번 확인하세요.
예: 그래프 시각화(LLM 친화적 API)
기본 도구인 visualize_graph 는 이제 단일 graph_data 사전을 허용합니다. 예:
{
"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."
}
}
예시(하이퍼그래프):
{
"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."
}
}
사용 가능한 MCP 도구
그래프 시각화, 분석 및 조작에 사용할 수 있는 MCP 도구는 다음과 같습니다.
- visualize_graph : Graphistry의 GPU 가속 렌더러를 사용하여 그래프나 하이퍼그래프를 시각화합니다.
- get_graph_ids : 현재 세션에 저장된 모든 그래프 ID를 나열합니다.
- get_graph_info : 저장된 그래프의 메타데이터(노드/에지 수, 제목, 설명)를 가져옵니다.
- apply_layout : 그래프에 표준 레이아웃(force_directed, radial, circle, grid)을 적용합니다.
- detect_patterns : 네트워크 분석(중심성, 커뮤니티 감지, 경로 찾기, 이상 감지)을 실행합니다.
- encode_point_color : 열(범주형 또는 연속형)별로 노드 색상 인코딩을 설정합니다.
- encode_point_size : 열(범주형 또는 연속형)별로 노드 크기 인코딩을 설정합니다.
- encode_point_icon : 열별로 노드 아이콘 인코딩을 설정합니다(범주형, 아이콘 매핑 또는 비닝 포함).
- encode_point_badge : 열(범주형, 아이콘 매핑 또는 비닝)별로 노드 배지 인코딩을 설정합니다.
- apply_ring_categorical_layout : 범주형 열(예: 그룹/유형)을 기준으로 노드를 링 형태로 배열합니다.
- apply_group_in_a_box_layout : 노드를 그룹형 상자 레이아웃으로 배열합니다(igraph 필요).
- apply_modularity_weighted_layout : 모듈성 가중치 레이아웃에 따라 노드를 정렬합니다(igraph 필요).
- apply_ring_continuous_layout : 노드를 연속된 열(예: 점수)을 기준으로 링 형태로 배열합니다.
- apply_time_ring_layout : datetime 열(예: created_at)을 기준으로 노드를 링 형태로 배열합니다.
- apply_tree_layout : 노드를 트리(계층적) 레이아웃으로 배열합니다.
- set_graph_settings : 고급 시각화 설정(포인트 크기, 모서리 영향 등)을 설정합니다.
기여하다
PR 및 이슈 공유를 환영합니다! LLM 기반 그래프 분석 및 도구 통합에 대한 지식이 더 많아짐에 따라 이 프로젝트는 빠르게 발전하고 있습니다.
특허
MIT