一、概述
在日常工作和学习中，我们经常需要和数据打交道。无论是分析报告、项目展示，还是简单的数据洞察，一个清晰直观的图表，往往能胜过千言万语。
一款能让数据可视化变得超级简单的 MCP Server，由蚂蚁集团 AntV 团队开源的 mcp-server-chart
github地址：https://github.com/antvis/mcp-server-chart
目前已经支持超过 15 种我们常用的可视化图表类型，比如：
- 折线图、柱状图、饼图、面积图、条形图
- 直方图、散点图、矩阵树图、词云图、双轴图
- 雷达图、思维导图、网络图、流程图、鱼骨图
可以说，它几乎能满足我们日常工作中绝大多数场景的可视化需求。 最棒的是，它会以图片链接的形式返回生成结果，方便你嵌入到任何需要的地方。
二、MCP工具初体验
docker运行
mcp-server-chart官方已经封装好了镜像，docker hub地址：https://hub.docker.com/r/acuvity/mcp-server-chart
目前最新版本是0.4.0，运行一下
docker run -d --name mcp-server-chart -it -p 8000:8000 acuvity/mcp-server-chart:0.4.0
mcp-server-chart支持3种调用方式，分别是STDIO，SSE，streamable Http
Cherry Studio调用
这里以Cherry Studio客户端，来演示一下如何使用
添加MCP服务器
名称：mcp-server-chart
类型：streamable Http
地址：http://10.44.32.14:8000/mcp
添加完成后，查看工具列表
能看到几十个工具方法，就说明运行正常。
新建一个默认会话，选择mcp服务器
输入提示词：
根据诗人的名气以诗人的名字生成一个词云图，至少50位中国古代诗人，给出图片链接后再用Markdown语法直接展示。
效果如下：
整个过程，大模型就像一位经验丰富的设计师，不仅理解了你的需求，还自动帮你准备好了绘制图表所需的各种参数(比如图片的宽度、高度、标题等)，最后给出了图片链接。
注意，这个链接，公网是可以打开的
https://mdn.alipayobjects.com/one_clip/afts/img/EKJYTr0ONCAAAAAAVvAAAAgAoEACAQFr/original
三、Dify+可视化图表MCP
目前有很多文章，一般都是通过Dify 结合数据库和 ECharts插件，实现数据可视化的。
但是实现过程比较复杂，首先通过数据库查询原始数据，其次通过python代码转换成 ECharts能够理解的图表格式，最后调用ECharts插件实现图表展示。
整个过程需要不少经验和技巧，一不小心就容易出错。
但是！有了 mcp-server-chart 这个 MCP 工具，事情就变得简单多了。
场景演示：用户用自然语言提问，我们通过 Dify 工作流从数据库里查询数据，并生成图表。
示例数据
为了方便演示，我用MySQL 数据库搭建了一些示例数据
新建表boxoffice
CREATE TABLE `boxoffice` (
`id` bigint NOT NULL,
`years` varchar(64) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
`movie_name` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
`score` float DEFAULT NULL,
`director` varchar(64) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
`box_office` float DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
插入数据
INSERT INTO boxoffice (id, years, movie_name, score, director, box_office) VALUES
(1, '2025', '哪吒之魔童闹海', 8.5, '饺子', 1467030),
(2, '2021', '长津湖', 7.6, '陈凯歌', 577524),
(3, '2017', '战狼2', 7.1, '吴京', 569456),
(4, '2021', '你好，李焕英', 8.1, '贾玲', 541372),
(5, '2019', '哪吒之魔童降世', 8.5, '饺子', 503557),
(6, '2019', '流浪地球', 7.9, '郭帆', 468814),
(7, '2023', '满江红', 7.8, '张艺谋', 454437),
(8, '2021', '唐人街探案3', 5.6, '陈思诚', 452392),
(9, '2019', '复仇者联盟4：终局之战', 8.5, '安东尼·罗素', 424889),
(10, '2022', '长津湖之水门桥', 7.2, '徐克', 406724),
(11, '2023', '流浪地球2', 8.2, '郭帆', 402869),
(12, '2023', '孤注一掷', 6.9, '申奥', 384848),
(13, '2018', '红海行动', 8.5, '林超贤', 365185),
(14, '2023', '消失的她', 6.8, '崔睿', 352396),
(15, '2025', '唐探1900', 6.6, '陈思诚', 348642),
(16, '2024', '热辣滚烫', 7.9, '贾玲', 346040),
(17, '2024', '飞驰人生2', 7.7, '韩寒', 339842),
(18, '2018', '唐人街探案2', 7.1, '陈思诚', 339769),
(19, '2016', '美人鱼', 6.8, '周星驰', 339211),
(20, '2024', '抓娃娃', 7.3, '闫非', 332751);
打开表，效果如下：
开始节点
新建一个空白应用
开始节点默认配置，接收用户问题。
需求提炼
分析用户问题，判断用户是否需要生成图表，提取出SQL查询的需求。
输出如下：
sql_requirement: [精炼后的数据查询需求]
need_chart: [是/否]
chart_type: [推荐的Echarts图表类型或“无”]
大模型选择DeepSeek-V3
注意：大模型必须选择DeepSeek-V3，选择其他模型可能会导致最后图表无法生成。
提示词如下：
你是一名专业的数据需求提炼师。
请仔细阅读用户的自然语言问题{{#context#}}，只保留与数据查询直接相关的核心需求。自动忽略与数据查询无关的内容(如生成图表、导出Excel、制作报表等)。
请判断用户是否需要用图表展示结果。如果需要，请根据问题内容推荐最合适的Echarts图表类型(如area、bar、column、dual-axes、fishbone-diagram、flow-diagram、histogram、line、mind-map、network-graph、pie、radar、scatter、treemap、word-cloud等)；如果不需要图表，请填写“无”。
请严格按照如下格式输出，不要有任何解释或多余内容：
sql_requirement: [精炼后的数据查询需求]
need_chart: [是/否]
chart_type: [推荐的Echarts图表类型或“无”]
参数提取器
把上一个节点的三个输出参数提取出来。
添加提取参数
第一个参数，内容如下
sql_requirement
sql需求
其他参数依次类推
need_chart
是否需要图表
chart_type
图表类型
最后效果如下：
自然语言转SQL(ROOKIE_TEXT2DATA)
打开插件市场，搜索关键字ROOKIE_TEXT2DATA，安装插件
添加节点，注意选择rookie text2data
这个节点的核心功能就是把用户的自然语言转成SQL语句了。
输入为提取后的SQL语句需求，关联参数提取节点的sql_requirement。
数据库配置: 正确填写数据库类型、IP、端口、库名、用户名、密码。
大模型：我这里必须用DeepSeek-V3
注意：这里的查询语句，选择变量sql_requirement。输入/就有下拉框
提示词如下：
表名：boxoffice
字段说明：
- id：id，int
- years：年份，int
- movie_name：电影名，string
- score：评分，float
- director：导演，string
- box_office：票房，int
注意事项：
- 如有分组统计，请使用SUM、AVG等聚合函数，不要直接用原始字段。
- 所有非聚合字段必须出现在GROUP BY中。
- 只输出SQL语句，不要解释。
示例查询：
1. 查询每个导演的总票房：SELECT director, SUM(box_office) FROM boxoffice GROUP BY director;
2. 查询每年票房最高的电影：SELECT years, movie_name, MAX(box_office) FROM boxoffice GROUP BY years;
数据库配置连接信息
注意返回格式，选择text
执行SQL
此节点负责连接数据库，并执行上一步生成的SQL语句。
输入变量：上一节点返回的SQL语句。
数据库配置: 正确填写数据库类型、IP、端口、库名、用户名、密码。
输出变量：返回数据格式为文本。
注意返回格式，选择text
注意，这里的执行sql语句，选择变量 ROOKIE TEXT2DATA.text
条件分支
判断是否需要图表，给到不同的分支。
图文总结
如果需要生成图表，走这个节点。
Agent策略选择ReAct(Support MCP Tools)
MCP服务器配置如下，url换成你自己的
{
"mcp-server-chart": {
"url": "http://10.44.32.14:8000/sse"
}
}
注意：这里必须是SSE模式，不能用streamable_http
为什么？因为插件Agent策略，不支持以streamable_http协议生成图表，但是SSE协议是支持的。
但是上面你明明用Cherry Studio客户端，可以生成图表了呀。
我们首先要理清一点，mcp-server-chart本身是支持以streamable_http协议生成图表
Cherry Studio是客户端，它更新快。那么插件Agent策略，它也是客户端，更新很慢。现在问题是插件目前不支持，怎么办？等插件更新就好了。
指令
注意选择ROOKIE EXCUTE SOL.text
查询
提示词如下：
根据给定的数据选择合适的工具生成相应的图表，图表类型参考 {{#1749119517859.chart_type#}}。如果有小数的话保留小数点后面2位就行。输出先用自然语言简要给出数据分析，给出图片链接地址，并展示图片，要求全部用中文回答。
注意：这里的提示词复制之后，需要手动替换一下里面的变量。 因为每一个人的变量id是不一样的。 我这里是1749119517859，你那里就不一样了。
手动替换好之后，效果如下：
文字总结
如果用户只是想查询数据，不需要图表，那么工作流就会走到这个相对简单的节点。它会根据数据库查询结果，用简洁的自然语言给出分析和意见。
模型，必须是DeepSeek-V3
上下文，选择变量rookie excute_sql.text
提示词如下：
请根据用户问题和查询结果，用简洁的中文自然语言回答并给出分析意见。
用户问题:{{#1749119517859.sql_requirement#}}
查询结果:{{#context#}}
注意：这里的提示词复制之后，需要手动替换一下里面的变量。 因为每一个人的变量id是不一样的。 我这里是1749119517859，你那里就不一样了。
替换好之后，就是上面的效果了。
回复节点
直接引用图文总结或文字总结的输出就好了。
四、测试
比如问一下各导演的票房占比，可以看到给出了分析结果和图片链接地址。
各导演的票房占比是多少?
图片链接可以直接打开：https://mdn.alipayobjects.com/one_clip/afts/img/qUhrTLIUAWEAAAAASRAAAAgAoEACAQFr/original
在测试一下折线图。
请用图表展示历年票房变化
打开图表链接：https://mdn.alipayobjects.com/one_clip/afts/img/LX_NRqh9-FIAAAAARrAAAAgAoEACAQFr/original
五、AntV插件的使用
除了MCP工具，在插件市场搜索antv可以看到蚂蚁集团提供的这个可视化工具插件。
和mcp server一样，也是支持了15种工具。
创建一个Agent
添加这些工具
提示词如下：
根据用户提供的数据选择相应的工具生成可视化图表。
展示图片的时候先给出图片的链接地址，后直接展示图片。
回复全部使用中文回答。
最终效果如下：
注意确保有生成词云图
默认只能添加10个工具，如果需要添加更多数量，需要修改dify环境变量
MAX_TOOLS_NUM=20
重启dify所有组件，就可以添加20个工具了。
直接加满
我们就可以随便用自然语言让大模型给出相应的图表了。
我让它生成了一个《三体》小说的人物词云图。
生成一个三体小说主要人物的词云图。至少列举出30个主要人物来。
插件不支持插入图片，手动打开图片：https://mdn.alipayobjects.com/one_clip/afts/img/3-8JSqF4yhUAAAAASXAAAAgAoEACAQFr/original
当然了，你也可以在工作流中调用这些工具。
和其他的生成图表的插件类似，给出对应的数据。
不过，这个插件可以更方便的调整图表的大小。自定义图表的宽和高。
点击设置
可以设置宽高
这些“底层轮子”的不断涌现，无疑是一件大好事。
它们让我们能够从繁琐的、重复性的底层技术实现中解放出来，更专注于业务逻辑本身，更聚焦于如何创造真正的价值。
本文参考链接：https://zhuanlan.zhihu.com/p/1911538446977176761
