XMind MCP Server

让大模型真正“看懂”并“修改” XMind 思维导图的本地 MCP Server。

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：

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。

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

带 RapidOCR 依赖：

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

从源码安装

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

🚀 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（如 onnxruntime-gpu / directml）

4. 写入配置到 ~/.xmind-mcp/config.json

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，添加服务器：

{
  "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

编辑类

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`

⚙️ 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

切换 OCR 引擎：

xmind-mcp --setup --engine paddleocr

📁 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