Quickchart-MCP-Server 开源项目最佳实践教程
2026-02-03 05:39:47作者:咎岭娴Homer
1. 项目介绍
Quickchart-MCP-Server 是一个基于 TypeScript 的 Model Context Protocol(MCP)服务器,它集成了 QuickChart.io 的 URL-based 图表生成服务。通过这个服务器,用户能够利用 MCP 工具生成多种类型的图表,包括柱状图、折线图、饼图、雷达图等。该项目允许用户通过提供数据和样式参数,将这些参数转换成图表的 URL 或者下载为图像文件。
2. 项目快速启动
环境准备
在开始之前,请确保您的系统中已经安装了 Node.js。
安装依赖
npm install
构建服务器
npm run build
运行服务器
构建完成后,您可以通过以下命令启动服务器:
node build/index.js
或者如果您希望通过 npx 运行:
npx -y @gongrzhe/quickchart-mcp-server
Smithery 自动安装
如果您希望使用 Smithery 自动安装 QuickChart Server,可以运行以下命令:
npx -y @smithery/cli install @gongrzhe/quickchart-mcp-server --client claude
并根据操作系统配置 Claude Desktop 的服务器配置。
对于 MacOS 用户,编辑以下文件:
~/Library/Application Support/Claude/claude_desktop_config.json
对于 Windows 用户,编辑以下文件:
%APPDATA%/Claude/claude_desktop_config.json
配置内容如下:
{
"mcpServers": {
"quickchart-server": {
"command": "node",
"args": ["/path/to/quickchart-server/build/index.js"]
}
}
}
或者:
{
"mcpServers": {
"quickchart-server": {
"command": "npx",
"args": ["-y", "@gongrzhe/quickchart-mcp-server"]
}
}
}
3. 应用案例和最佳实践
生成图表 URL
以下是一个基本的图表配置示例:
{
"type": "bar",
"data": {
"labels": ["January", "February", "March"],
"datasets": [
{
"label": "Sales",
"data": [65, 59, 80],
"backgroundColor": "rgb(75, 192, 192)"
}
]
},
"options": {
"title": {
"display": true,
"text": "Monthly Sales"
}
}
}
服务器会将上述配置转换为 QuickChart URL:
https://quickchart.io/chart?c={...encoded configuration...}
下载图表
您也可以将图表配置和输出路径作为参数,以保存图表图片到本地文件。
download_chart(chart_configuration, output_path)
4. 典型生态项目
Quickchart-MCP-Server 可以作为一个独立的服务器运行,也可以集成到更大的应用生态中。以下是一些可能与之配合使用的典型生态项目:
- 数据可视化平台:集成 Quickchart-MCP-Server 以提供丰富的图表生成功能。
- 分析工具:使用 Quickchart-MCP-Server 生成分析报告中的图表。
- 教育应用:为教学目的提供实时图表生成能力。
通过遵循上述最佳实践,您可以有效地利用 Quickchart-MCP-Server 为您的项目添加强大的图表生成能力。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0536
MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解,并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计,H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力,能够出色地执行复杂的多模态指令。Python00
Kimi-K3Kimi K3 是Kimi能力最强的模型:这是一个拥有 2.8 万亿参数的混合专家(MoE)模型,具备原生视觉理解能力,并支持 100 万 token 的上下文窗口。Python00
DataFlow基于大模型算子和工作流的高效文本大模型训练数据合成框架Python05
源启盛夏_AtomGit暑期开发者成长计划「源启盛夏」暑期校园开发者成长计划旨在激活校园开源力量,通过积分激励、认证扶持、资源倾斜等形式,引导高校组织和开发者完成「入驻 — 建项目 — 做贡献 — 获认证 — 得资源」的完整闭环。无论你是想带领社团入驻平台的组织者,还是希望用代码贡献证明自己的开发者,都能在这里找到属于你的成长路径。Markdown01
py-xiaozhi基于Python的Xiaozhi AI,适用于想要完整Xiaozhi体验而无需拥有专用硬件的用户。Python01
项目优选
收起
deepin linux kernel
C
33
16
暂无描述
Markdown
843
5.64 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
507
539
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
832
1.26 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.03 K
2.43 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
836
1.66 K
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
497
336
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.15 K
844
An open-source AI Agent for HarmonyOS applcation development.
TypeScript
455
137
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
751
386