用_AntV_MCP_Server_Chart_赋能大模型____从零构建可视化智能体_图表生成效率

1. 一、用 AntV MCP Server Chart 赋能大模型 —— 从零构建可视化智能体，图表生成效率飙升

微信公众号｜搜一搜：大模型应用开发实战
作者：AI 工程师实战派
发布时间：2025 年 9 月 27 日

在大模型驱动的智能数据时代，图表生成（Chart Generation）的准确性严重依赖对数据结构和可视化意图的深度理解。传统方法往往依赖复杂的 Prompt 工程或繁琐的手动编码，不仅效率低下，还难以适配多样化的数据格式与图表需求。

本文将带你基于AntV MCP Server Chart构建一个"可视化智能体"——让大模型不仅能"读懂数据"，还能"画出专业图表"，显著提升图表生成的准确性与自动化水平！

2. 二、🎬 运行效果

2.1. 🎯 核心价值

无需前端知识：开发者无需掌握 D3、ECharts 或 AntV 前端语法。
25+ 图表类型开箱即用：覆盖柱状图、折线图、桑基图、词云、组织架构图等主流可视化场景。
支持私有化部署：保障数据安全，适配企业内网环境。
MCP 协议标准化调用：通过 Model Context Protocol 实现大模型与可视化服务的无缝集成。

2.2. 🧭 本文结构概览

环境准备：搭建 MCP-Hub 与图表渲染服务
私有化部署：配置 AntV MCP Server Chart + GPT-VIS-API + MinIO
核心逻辑：大模型如何生成 SQL 与推荐图表类型
智能渲染：通过 React Agent 调用 MCP 工具生成图表
总结与推荐：总结&完整代码获取

3. 三、1️⃣ 环境准备：搭建 MCP 工具中枢

3.1. 安装 MCP-Hub

MCP-Hub 是一个开源的MCP（Model Context Protocol）工具聚合平台，用于统一管理、注册和调用各类 MCP 服务。

docker run -d \
  --name mcphub \
  -p 3300:3000 \
  --add-host host.docker.internal:host-gateway \
  samanhappy/mcphub

访问地址：http://localhost:3300 默认账号：admin / admin123

国内加速配置（推荐）

Python 包源：https://mirrors.aliyun.com/pypi/simple
NPM 源：https://registry.npmmirror.com

4. 四、2️⃣ 服务部署：构建私有化图表生成引擎

4.1. 部署 MinIO 对象存储（用于图表持久化）

MinIO 作为轻量级 S3 兼容对象存储，用于保存生成的图表图片。

docker run -d \
  --name minio \
  -p 19000:9000 \
  -p 19001:9001 \
  -v "$(pwd)/volume/minio/data:/data" \
  -e MINIO_ROOT_USER=admin \
  -e MINIO_ROOT_PASSWORD=12345678 \
  minio/minio:RELEASE.2025-04-22T22-12-26Z \
  server /data --console-address ":9001"

配置步骤：

访问控制台：http://localhost:19001
创建 Bucket：chart-images
设置 Bucket 为 public 可读
生成 Access Key 与 Secret Key（用于后续服务认证）

4.2. 部署 GPT-VIS-API（图表渲染服务）

我开源的项目：https://github.com/apconw/gpt-vis-api

GPT-VIS-API 是专为私有化场景设计的轻量级图表生成服务，接收结构化数据，调用 AntV 渲染图表，并将结果上传至 MinIO，返回带签名的图片 URL。

docker run -d \
  --name gpt-vis-api \
  -p 3100:3000 \
  --add-host host.docker.internal:host-gateway \
  -e MINIO_ENDPOINT=host.docker.internal \
  -e MINIO_PORT=19000 \
  -e MINIO_USE_SSL=false \
  -e MINIO_ACCESS_KEY=your-access-key \
  -e MINIO_SECRET_KEY=your-secret-key \
  -e MINIO_BUCKET=chart-images \
  -e MINIO_PUBLIC_DOMAIN="http://localhost:19000" \
  crpi-7xkxsdc0iki61l0q.cn-hangzhou.personal.cr.aliyuncs.com/apconw/gpt-vis-api:0.0.1

注意：生产环境中需将 host.docker.internal 替换为实际服务器 IP。

验证服务是否正常

curl -X POST http://localhost:3100/generate \
  -H "Content-Type: application/json" \
  -d '{
    "type": "line",
    "data": [
      {"time": "2025-05", "value": 512},
      {"time": "2025-06", "value": 1024}
    ]
  }'

✅ 成功响应应包含类似：

{
  "url": "http://localhost:19000/chart-images/chart-abc123.png?Expires=..."
}

4.3. 安装 AntV MCP Server Chart

通过 MCP-Hub 注册 AntV 图表工具：

npx -y @antv/mcp-server-chart

并在 MCP-Hub 中配置环境变量：

VIS_REQUEST_SERVER=http://host.docker.internal:3100/generate

此配置使 AntV MCP 工具将图表渲染请求转发至GPT-VIS-API。⚠️官方工具图片渲染默认使用公网服务。这里配置解决了私有化部署问题！！

MCP-Hub 配置 mcp-server-chart

图 1：MCP-Hub 中注册 mcp-server-chart 的配置界面——命令 npx、参数 -y @antv/mcp-server-chart、环境变量 VIS_REQUEST_SERVER 指向 GPT-VIS-API

5. 五、3️⃣ 核心逻辑：大模型生成 SQL 与推荐图表类型

通过结构化 Prompt 引导大模型完成两项关键任务：

生成可执行的 SQL 查询
根据查询结果语义推荐最合适的图表类型

5.1. Prompt 设计要点

明确角色：专业 DBA + BI 分析师
提供上下文：表结构、表关系、当前时间
约束输出：仅返回 JSON，包含 sql_query 和 chart_type
内置 25+ 图表类型定义（如 generate_line_chart, generate_sankey_chart 等）

5.2. 输出示例

{
  "sql_query": "SELECT DATE(created_at) AS day, COUNT(*) AS orders FROM orders GROUP BY day ORDER BY day;",
  "chart_type": "generate_line_chart"
}

5.3. 核心代码片段（SQL 与图表推荐）

import json
import traceback
from langchain.prompts import ChatPromptTemplate
from datetime import datetime
import logging
from agent.text2sql.analysis.llm_util import get_llm

logger = logging.getLogger(__name__)

def sql_generate(state):
    llm = get_llm()
    prompt = ChatPromptTemplate.from_template(
        """你是一位专业的数据库管理员（DBA），任务是根据提供的数据库结构、表关系以及用户需求，生成优化的 MySQL SQL 查询语句，并推荐合适的可视化图表。

        ## 任务
         - 根据用户问题生成一条优化的SQL语句。
         - 根据查询生成逻辑从**图表定义**中选择最合适的图表类型。

        ## 约束条件
         1. 你必须仅生成一条合法、可执行的SQL查询语句 —— 不得包含解释、Markdown、注释或额外文本。
         2. **必须直接且完整地使用所提供的表结构和表关系来生成SQL语句**。
         3. 你必须严格遵守数据类型、外键关系及表结构中定义的约束。
         4. 使用适当的SQL子句（JOIN、WHERE、GROUP BY、HAVING、ORDER BY、LIMIT等）以确保准确性和性能。
         5. 若问题涉及时序，请合理使用提供的"当前时间"上下文（例如用于相对日期计算）。
         6. 不得假设表结构中未明确定义的列或表。
         7. 如果用户问题模糊或者缺乏足够的信息以生成正确的查询，请返回：`NULL`

       ## 提供的信息
        - 表结构：{db_schema}
        - 表关系：{table_relationship}
        - 用户提问：{user_query}
        - 当前时间：{current_time}

       ## 图表定义
        - generate_area_chart: used to display the trend of data under a continuous independent variable, allowing observation of overall data trends.
        - generate_bar_chart: used to compare values across different categories, suitable for horizontal comparisons.
        - generate_boxplot_chart: used to display the distribution of data, including the median, quartiles, and outliers.
        - generate_column_chart: used to compare values across different categories, suitable for vertical comparisons.
        - generate_district_map: Generate a district-map, used to show administrative divisions and data distribution.
        - generate_dual_axes_chart: Generate a dual-axes chart, used to display the relationship between two variables with different units or ranges.
        - generate_fishbone_diagram: Generate a fishbone diagram, also known as an Ishikawa diagram, used to identify and display the root causes of a problem.
        - generate_flow_diagram: Generate a flowchart, used to display the steps and sequence of a process.
        - generate_funnel_chart: Generate a funnel chart, used to display data loss at different stages.
        - generate_histogram_chart: Generate a histogram, used to display the distribution of data by dividing it into intervals and counting the number of data points in each interval.
        - generate_line_chart: Generate a line chart, used to display the trend of data over time or another continuous variable.
        - generate_liquid_chart: Generate a liquid chart, used to display the proportion of data, visually representing percentages in the form of water-filled spheres.
        - generate_mind_map: Generate a mind-map, used to display thought processes and hierarchical information.
        - generate_network_graph: Generate a network graph, used to display relationships and connections between nodes.
        - generate_organization_chart: Generate an organizational chart, used to display the structure of an organization and personnel relationships.
        - generate_path_map: Generate a path-map, used to display route planning results for POIs.
        - generate_pie_chart: Generate a pie chart, used to display the proportion of data, dividing it into parts represented by sectors showing the percentage of each part.
        - generate_pin_map: Generate a pin-map, used to show the distribution of POIs.
        - generate_radar_chart: Generate a radar chart, used to display multi-dimensional data comprehensively, showing multiple dimensions in a radar-like format.
        - generate_sankey_chart: Generate a sankey chart, used to display data flow and volume, representing the movement of data between different nodes in a Sankey-style format.
        - generate_scatter_chart: Generate a scatter plot, used to display the relationship between two variables, showing data points as scattered dots on a coordinate system.
        - generate_treemap_chart: Generate a treemap, used to display hierarchical data, showing data in rectangular forms where the size of rectangles represents the value of the data.
        - generate_venn_chart: Generate a venn diagram, used to display relationships between sets, including intersections, unions, and differences.
        - generate_violin_chart: Generate a violin plot, used to display the distribution of data, combining features of boxplots and density plots to provide a more detailed view of the data distribution.
        - generate_word_cloud_chart: Generate a word-cloud, used to display the frequency of words in textual data, with font sizes indicating the frequency of each word.
        - generate_table: Generate a structured table, used to organize and present data in rows and columns, facilitating clear and concise information display for easy reading and analysis.

       ## 输出格式
        - 你**必须且只能**输出一个符合以下结构的 **纯 JSON 对象**，不得包含任何额外文本、注释、换行或 Markdown 格式：
        ```json
        {{
            "sql_query": "生成的 SQL 语句字符串",
            "chart_type": "推荐的图表类型字符串，如 \"generate_area_chart\""
        }}
    """
    )
    chain = prompt | llm
    try:
        response = chain.invoke(
            {
                "db_schema": state["db_info"],
                "user_query": state["user_query"],
                "table_relationship": state.get("table_relationship", []),
                "current_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
            }
        )
        state["attempts"] += 1
        clean_json_str = response.content.strip().removeprefix("```json").strip().removesuffix("```").strip()
        state["generated_sql"] = json.loads(clean_json_str)["sql_query"]
        # mcp-hub 服务默认添加前缀防止重复问题
        state["chart_type"] = "mcp-server-chart-" + json.loads(clean_json_str)["chart_type"]
    except Exception as e:
        traceback.print_exception(e)
        logger.error(f"Error in generating: {e}")
        state["generated_sql"] = "No SQL query generated"
    return state

6. 六、4️⃣ 智能渲染：调用 MCP 工具生成图表

6.1. 构建 React Agent

使用 LangGraph 的 create_react_agent 构建一个轻量级智能体，专门负责图表渲染：

动态过滤工具：仅加载当前所需的图表工具（如 mcp-server-chart-generate_line_chart），减少 Token 消耗与幻觉风险。
自动填充参数：根据数据结构推断 X/Y 轴、标题、图例等配置。
强制中文标签：确保图表可读性。

6.2. 渲染流程

执行 SQL 获取结果数据
将数据与图表类型传入 Agent
Agent 调用对应 MCP 工具
工具调用 GPT-VIS-API 生成图片并返回 URL
最终输出：图表

6.3. 核心代码片段（图表渲染）

import os
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

async def data_render_ant(state: AgentState):
    client = MultiServerMCPClient({
        "mcphub-sse": {
            "url": os.getenv("MCP_HUB_DATABASE_QA_GROUP_URL"),
            "transport": "streamable_http",
        }
    })
    chart_type = state["chart_type"]
    tools = await client.get_tools()
    tools = [tool for tool in tools if tool.name == chart_type]
    llm = ChatOpenAI(
        model=os.getenv("MODEL_NAME", "qwen-plus"),
        temperature=float(os.getenv("MODEL_TEMPERATURE", 0.75)),
        base_url=os.getenv("MODEL_BASE_URL"),
        api_key=os.getenv("MODEL_API_KEY"),
        streaming=True,
    )
    result_data = state["execution_result"]
    chart_agent = create_react_agent(
        model=llm,
        tools=tools,
        prompt=f"""
            你是一位经验丰富的 BI 专家，擅长根据数据特征自动选择最合适的 MCP 图表工具，并完成图表渲染。

            ### 任务步骤
            1. **分析数据特征**：理解输入的原始数据结构（如维度、指标、数据类型、数据量等）。
            2. **选择最优图表类型**：基于数据特征，从 MCP 图表库中选择最适合的图表工具。
            3. **读取工具 Schema**：获取所选 MCP 图表工具的参数配置规范（JSON Schema）。
            4. **填充参数**：根据原始数据和可视化目标，按 Schema 要求填充图表参数。
            5. **生成图表**：调用 MCP 工具渲染图表，并返回图表链接。

            ### 输入数据
            {result_data}

            ### 要求
            - 不要解释图表内容或生成文字说明。
            - 必须返回符合格式的图表链接。
            - 图表需清晰表达数据关系，符合可视化最佳实践。
            - x 轴和 y 轴的标签必须使用中文显示。

            ### 返回格式
             [图表](https://example.com/chart.png)
        """,
    )
    result = await chart_agent.ainvoke(
        {"messages": [("user", "根据输入数据选择合适的 MCP 图表工具进行渲染")]},
        config={"configurable": {"thread_id": "chart-render"}},
    )
    state["chart_url"] = result["messages"][-1].content
    return state