XMind MCP Server

让大模型真正“看懂”并“修改&美化” XMind 思维导图的本地 MCP Server。（用此mcp从md导入的文件不会有svg预览，因此会比软件导入轻量很多，但必要元素都能正确导入）

XMind MCP Server 是一个基于 Model Context Protocol (MCP) 的本地服务。它把 XMind 文件解析、图片 OCR、节点编辑和文件写回能力封装成一套标准工具，供 Trae、Claude Desktop、Cursor 等支持 MCP 的客户端调用。

✨ 核心亮点

1. 不只是读文字，还能读图片

普通方式只能让模型看到节点的标题文字。XMind MCP Server 会对节点中的图片进行本地 OCR，把图片里的文字也喂给模型，真正“看懂”整份思维导图。

📄 工作表: 操作系统
└─ [L0] [id: root-1] 操作系统
   └─ [L1] [id: abc-123] 📷图片
         ↳ [OCR] 中央处理器
                (CPU)

2. 既能读，也能写

支持通过自然语言指令让模型直接修改 XMind 文件：

• 添加子节点

• 修改标题 / 备注

• 删除节点

• 移动节点

• 保存回原文件或另存为新文件

3. 本地 OCR，零云端依赖

内置 RapidOCR（默认）和 PaddleOCR 两种后端，全部在本地运行：

• 不调用任何云端多模态 API

• 不消耗 Token

• 图片内容识别不上传到第三方

4. 自动硬件检测与最佳配置

首次启动自动检测 GPU、CPU、内存，并选择最适合的推理后端； 如果配置的设备实际不可用（例如 CUDA 库缺失），启动时会自动回退到 CPU 并修正配置：

DirectML 需要 rapidocr-onnxruntime>=1.3.23，且收益不稳定，因此默认不推荐； 需要时用 xmind-mcp --setup --device directml 显式开启。

5. 安全写回，保留原文件结构

保存时不会破坏 XMind 文件中的样式、主题、附件、manifest 等资源，只修改 content.json，再安全重组 ZIP。覆盖保存原文件前会自动备份到 ~/.xmind-mcp/backups/（每个文件保留最近 20 份），模型改坏了也能找回。

6. Markdown 公式自动渲染

从 Markdown 导入时，自动识别块级 $$...$$ 数学公式，用 matplotlib 渲染成图片 插入对应节点——免费版 XMind 也能显示公式，不再是一串乱码 LaTeX 文本。 行内公式 $...$ 保持为文本；mathtext 渲染不了的公式会原样保留，不报错不中断。

Related MCP server: xmind-to-markdown-mcp

🆚 与纯 Python 脚本对比

📦 安装

从 PyPI 安装（推荐）

pip install xmind-mcp-server

RapidOCR + onnxruntime（OCR）和 matplotlib（Markdown 公式渲染）已作为必装依赖内置， 安装后即具备 OCR 与公式导入能力（首次启动只需联网下载 OCR 模型）。

可选安装 PaddleOCR 引擎（需更大依赖）：

pip install "xmind-mcp-server[paddleocr]"

从源码安装

git clone https://github.com/GarryWhite109909/xmind-mcp-server.git
cd xmind-mcp-server
pip install -e ".[dev]"

.[dev] 额外安装测试依赖（pytest）；OCR 依赖已内置，无需额外指定。

🚀 快速开始

1. 首次启动（自动配置）

xmind-mcp

首次运行会：

1. 检测操作系统、CPU、内存、显卡

2. 选择合适的 OCR 引擎和推理设备

3. 安装对应的推理依赖（NVIDIA 装 onnxruntime-gpu，其余默认 CPU；DirectML 可选）

4. 写入配置到 ~/.xmind-mcp/config.json

💡 GPU 提示：如果检测到 NVIDIA 显卡但未安装 CUDA 运行库，首次运行会询问 是否启用 GPU 加速。选「是」会自动安装 pip 版 CUDA 运行库 + onnxruntime-gpu （约几百 MB）；选「否」则直接用 CPU（对笔记场景也够用）。非 NVIDIA 显卡或无 检测到显卡的用户不会收到该询问，直接使用 CPU。

第二次运行直接启动，无需重复配置。

2. 在 Trae / Claude Desktop / Cursor 中配置

Trae

打开设置 → MCP，手动添加：

{
  "mcpServers": {
    "xmind-mcp": {
      "command": "xmind-mcp",
      "args": []
    }
  }
}

如果 xmind-mcp 不在系统 PATH，使用 Python 解释器绝对路径：

{
  "mcpServers": {
    "xmind-mcp": {
      "command": "C:\\Users\\<你的用户名>\\.miniconda\\python.exe",
      "args": ["-m", "xmind_mcp"]
    }
  }
}

💡 修改代码后，需要在 Trae 中禁用再启用该 MCP，或重启 Trae，才能加载最新版本。

Claude Desktop

编辑 claude_desktop_config.json：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "xmind-mcp": {
      "command": "xmind-mcp",
      "args": []
    }
  }
}

🛠️ 工具一览

读取类

结构编辑类

美化 / 标记类（让笔记更美观易读）

所有编辑工具都支持 auto_save=true，设置后会自动保存，无需再手动调用 save_file。

系统类

💬 使用示例

例 1：让模型总结一份 XMind

请读取 D:\\docs\\操作系统.xmind，总结其中的核心概念，并识别所有图片里的文字。

模型会调用：

1. read_all 读取完整结构和图片 OCR

2. 基于返回内容生成总结

例 2：搜索节点并编辑

在 D:\\docs\\操作系统.xmind 中找到“进程”相关节点，给它们都加上一条备注“需重点复习”。

模型会调用：

1. find_node 搜索“进程”

2. update_node 更新备注（可设置 auto_save=true）

例 3：导出为 Markdown

把 D:\\docs\\操作系统.xmind 导出成 Markdown 大纲，保留节点 ID。

模型会调用 export_markdown，返回：

# 操作系统

- 操作系统 `id:root-1`
  - 进程 `id:child-1`
  - 线程 `id:child-2`

例 4：让模型美化笔记

把 D:\\docs\\操作系统.xmind 里"重点"相关的节点标红加粗，并给"考试必考"的节点加优先级图标。

模型会调用：

1. find_node 找到"重点"相关节点

2. set_node_style 设置 font_color=#FF0000、font_weight=bold

3. add_marker 添加 priority-1 图标

4. save_file 保存

例 5：从 Markdown 新建一份思维导图

把下面这份大纲转成 D:\\docs\\新笔记.xmind：

# Python 学习路线
- 基础语法
  - 变量与类型
- 常用库

模型会调用 import_markdown，一步生成 XMind 文件。

例 6：批量美化 + 体检

分析 D:\\docs\\操作系统.xmind，把标题含"重点"的节点全部标红加粗并加优先级图标，然后告诉我有没有重复标题或空节点。

模型会调用：

1. analyze_file 先体检

2. apply_to_matching 批量设置样式和标记（可 auto_save=true）

3. 保存

例 7：结构化视觉元素

把 D:\\docs\\操作系统.xmind 的"进程"和"线程"加一个概要，给"重点章节"加边界， 并在"进程"和"内存"之间画一条关系线，最后套用"清新蓝"配色。

模型会调用 add_summary、add_boundary、add_relationship、apply_style_preset， 这些都是 XMind 原生视觉元素，可以在 XMind 里继续调整。

例 8：导入带公式的 Markdown

把一份含数学公式的 Markdown 笔记转成 D:\\docs\\高数.xmind。

# 高数笔记

质能方程：

$$
E = mc^2
$$

**牛顿第二定律**
$$
F = ma
$$

模型调用 import_markdown 时，会自动识别块级 $$...$$ 公式， 用 matplotlib 渲染成图片并插入对应节点（免费版 XMind 也能显示）。 行内公式 $...$ 保持为文本；mathtext 渲染不了的公式会原样保留不报错。

⚙️ 命令行参数

xmind-mcp                    # 启动 MCP Server（首次自动配置）
xmind-mcp --setup            # 重新检测硬件并配置
xmind-mcp --info             # 打印当前硬件和配置信息
xmind-mcp --engine rapidocr  # 指定 OCR 引擎
xmind-mcp --device cuda      # 强制指定推理设备
xmind-mcp --uninstall        # 一键卸载（依赖 + 模型 + 配置 + 可选本体）
xmind-mcp --uninstall --yes  # 全自动卸载（含本体，跳过所有确认）

切换 OCR 引擎：

xmind-mcp --setup --engine paddleocr

一键卸载：

xmind-mcp --uninstall
xmind-mcp --uninstall --yes   # 全自动：连本包一起卸载，不询问

卸载流程（按实际检测结果动态执行）：

1. 卸载当前 Python 环境中已安装的 OCR/运行时依赖（rapidocr-onnxruntime、paddleocr、onnxruntime 各变体、nvidia-*-cu12 CUDA 运行库等；不依赖配置文件，配置缺失/损坏也能识别）；

2. 停止正在运行的 XMind MCP Server（避免数据目录被占用，交互模式下会先询问）；

3. 删除本地数据目录 ~/.xmind-mcp（配置、OCR 缓存、自动备份）；

4. 删除 OCR 模型缓存（~/.cache/rapidocr、~/.cache/rapidocr_onnxruntime、~/.paddleocr）；

5. 询问（或 --yes 直接执行）是否同时卸载本包 xmind-mcp-server 及其直接依赖 mcp、psutil、Pillow——这些是通用库，可能被其他项目使用，请确认后再删。

卸载失败时退出码非 0，并列出未成功的步骤；非交互环境（无终端输入）默认保留本包，可用 --yes 全自动卸载。

📁 本地文件位置

MCP 关闭时会自动释放 OCR 模型占用的内存 / 显存。

✅ 支持的 XMind 版本

• ✅ XMind Zen / XMind 2020+ / 2022 / 2024（JSON 格式）

• ❌ XMind 8 及更早（XML 格式，暂不支持）

🧪 开发 & 测试

git clone https://github.com/GarryWhite109909/xmind-mcp-server.git
cd xmind-mcp-server
pip install -e ".[dev]"
pytest

当前测试覆盖：文件解析、节点增删改查、图片加载、OCR、MCP Server 协议握手、Markdown 导出等。

📄 License

MIT © GarryWhite