Holoviz Viz MCP

holoviz viz mcp

用于数据可视化的最先进的MCP服务器。 赋予任何AI助手创建交互式图表、运行统计测试、执行自动EDA和构建精美仪表板的能力——所有这些都使用HoloViz生态系统。

______________________________________________________________________

为什么存在

大多数AI可视化工具生成静态图像或手动滚动JavaScript。此服务器使用 面板的嵌入模式 使用完整的散景渲染管道（真正的平移/缩放/悬停、链接选择和面板小部件）生成自包含的交互式HTML。不是JavaScript近似值。

pn.pane.HoloViews(plot).save(buf, embed=True)

一条线。独立HTML。所有散景JS/CSS内联。没有服务器。没有CDN。在任何浏览器中打开。

功能亮点

______________________________________________________________________

快速开始

复制粘贴这4行以开始：

git clone https://github.com/ghostiee-11/holoviz-viz-mcp.git
cd holoviz-viz-mcp
pip install -e .
claude mcp add holoviz-viz -- holoviz-viz-mcp

就是这样——重启你的AI客户端，开始要求可视化。

任何AI客户端的一个命令设置

bash setup.sh claude-desktop    # Claude Desktop
bash setup.sh claude-code       # Claude Code CLI
bash setup.sh cursor            # Cursor
bash setup.sh vscode            # VS Code Copilot
bash setup.sh all               # All clients at once

重新启动AI客户端并尝试：

*加载虹膜数据集并创建萼片长度与萼片宽度的散点图，按物种着色*

*“在钻石数据集上运行auto_eda”*

*“使用t检验测试不同物种之间萼片长度是否存在显著差异”*

看 DEMO_PROMPTS.md 12个即用型演示提示。

手动设置

Claude Desktop

添加 ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "holoviz-viz": {
      "command": "holoviz-viz-mcp"
    }
  }
}

Claude Code (CLI)

claude mcp add holoviz-viz -- holoviz-viz-mcp

Cursor

添加 ~/.cursor/mcp.json:

{
  "mcpServers": {
    "holoviz-viz": {
      "command": "holoviz-viz-mcp"
    }
  }
}

VS Code Copilot Chat

添加 .vscode/settings.json:

{
  "github.copilot.chat.mcpServers": {
    "holoviz-viz": {
      "command": "holoviz-viz-mcp"
    }
  }
}

______________________________________________________________________

工具（36）

数据管理（5）

数据转换（2）

可视化（5）

高级可视化（6）

互动（4）

仪表板和导出（3）

智能分析（4）

自然语言（1）

公用事业（6）

______________________________________________________________________

MCP应用程序（8个交互式查看器）

______________________________________________________________________

工作流程提示（9）

AI遵循的预先构建的分步指南：

______________________________________________________________________

建筑

AI Assistant (Claude / Copilot / Cursor / any MCP client)
    |
    v  MCP Protocol (JSON-RPC 2.0 over stdio)
+------------------------------------------------------------------+
|  holoviz-viz-mcp Server (FastMCP 3.1)                             |
|                                                                   |
|  Data Layer (7 tools)        Viz Layer (11 tools)                 |
|    load_data, analyze_data     create_plot (14 chart types)       |
|    suggest_visualizations      crossfilter, streaming, datashader |
|    transform_data, merge       annotate, overlay, time_series     |
|                                                                   |
|  Intelligence Layer (5 tools)  Utility Layer (6 tools)            |
|    auto_eda                    describe_plot, clone_plot           |
|    statistical_test            get_data_sample                    |
|    data_quality_report         save/load_session                  |
|    natural_language_query      generate_large_dataset             |
|                                                                   |
|  Rendering Pipeline            State Manager                      |
|    hvPlot -> HoloViews           Versioned plots with undo        |
|    -> Panel embed=True           Dataset storage                  |
|    Output: PNG + HTML            Session persistence              |
|                                                                   |
|  8 MCP Apps  |  9 Prompts  |  3 Dashboard Templates              |
+------------------------------------------------------------------+

______________________________________________________________________

输出是如何工作的

每个可视化工具返回 三个项目 在单个MCP响应中：

1. 文本内容 --绘图ID和描述
2. 图片内容 --PNG预览（在聊天中内联渲染）
3. 嵌入式资源 --交互式HTML位于 viz://plots/{id} （独立的Bokeh文件）

这种双输出模式意味着AI在提供完整交互式版本的同时显示快速预览。

______________________________________________________________________

例子

Auto EDA（一次调用，完整分析）

> "Run auto_eda on the diamonds dataset"

Returns: 6+ charts (distributions, correlations, categories, scatter),
narrative insights (skewness, outliers, strongest correlations),
all in a single tool call.

真实p值的统计检验

> "Test if sepal_length differs between iris species"

Returns: t-statistic, p-value, Cohen's d effect size,
box plot comparing groups, significance assessment.

交叉过滤器（连接刷）

# Behind the scenes:
from holoviews.selection import link_selections
linked = link_selections(hv.Layout([scatter, hist, box]))
# Brush in scatter -> histogram and box plot filter in real time

时间序列分解

> "Decompose the weather temperature into trend, seasonal, and residual"

Returns: 4-panel decomposition plot + trend stats + seasonal amplitude.

自然语言查询

> natural_language_query("iris", "compare sepal_length by species")

Returns structured plan:
  Step 1: transform_data('iris', 'groupby', group_by='species', agg='mean')
  Step 2: create_plot('iris_grouped', 'bar', x='species', y='sepal_length')

______________________________________________________________________

演示

python demos/quick_demo.py                # Full feature tour
python demos/showcase_stock_analysis.py   # Stock prices + annotations + dashboard
python demos/showcase_ml_evaluator.py     # Feature importance + confusion matrix + crossfilter

______________________________________________________________________

测试

pytest tests/ -v
# 148 tests across 16 test files covering:
# state, data, viz, transforms, crossfilter, streaming, annotations,
# export, interaction, auto-EDA, statistics, data quality, NLQ,
# big data, time series, utilities, server integration

______________________________________________________________________

项目结构

src/holoviz_viz_mcp/
  server.py            # FastMCP entry: 36 tools, 8 resources, 9 prompts
  state.py             # Dataset + plot state with versioning/undo
  rendering.py         # HoloViews -> PNG/HTML via Panel embed (+ Material/Bootstrap/Fast templates)
  tools/
    data.py            # load, analyze, suggest, list, sample (8 datasets)
    transform.py       # filter, groupby, pivot, derive, merge
    viz.py             # create, modify, undo, list, execute_code
    crossfilter.py     # linked selections via hv.link_selections
    streaming.py       # live-updating charts with BokehJS streaming
    annotations.py     # hline, vline, spans, text, points, arrows, overlays
    dashboard.py       # layout composition with template support
    export.py          # HTML/PNG/SVG export
    interact.py        # handle_click, set_theme, launch/stop_panel
    auto_eda.py        # one-call complete exploratory analysis
    statistics.py      # t-test, correlation, regression, chi2, normality, ANOVA
    data_quality.py    # quality report + dataset comparison
    nlq.py             # natural language query interpretation
    bigdata.py         # datashader + synthetic data generation
    timeseries.py      # rolling stats, decomposition, anomaly detection
    utils.py           # describe, clone, sample, session management
  apps/
    viz.html           # Chart viewer with toolbar
    dashboard.html     # Dashboard viewer with stats
    stream.html        # Streaming viewer with pulse indicator
    crossfilter.html   # Crossfilter viewer with brush hints
    eda.html           # EDA report with tabbed insights
    statistics.html    # Statistics viewer with p-value highlights
    timeseries.html    # Time series viewer with metrics
    quality.html       # Quality report with score gauge
tests/                 # 148 tests across 16 files
demos/                 # 3 showcase scripts

______________________________________________________________________

技术说明

• 面板嵌入与原始BokehJS：大多数MCP即工具使用 bokeh.embed.json_item() 用于静态散景。专家组 embed=True 将小部件状态、链接选择和布局逻辑捕获到独立的HTML中。这就是交叉过滤在没有服务器的情况下工作的原因。

• 为什么选择hvPlot：一致 .hvplot() API跨越熊猫、xarray、dask和地理标准。一个API，多个后端。

• 国家管理：绘图是版本化的。每 modify_plot 创建新版本； undo_plot 恢复。AI可以自由迭代，而不会丢失以前的工作。

• 统计严谨性：使用scipy.stats进行真实假设检验——实际p值、效应大小、置信区间。不是近似值。

• 代码执行: execute_code 是逃逸舱口——在沙盒命名空间中运行任意HoloViews/Panel代码，其中包含pd、np、hv、pn和所有加载的数据集。

• 仪表板模板: create_dashboard 支持 template_style='material' （材料设计）， 'bootstrap' （Bootstrap），以及 'fast' （快速设计）抛光，专业输出。

______________________________________________________________________

依赖项

核心： fastmcp, holoviews, hvplot, panel, bokeh, pandas, numpy, scipy

可选： openpyxl （Excel）， pyarrow （拼花地板）， scikit-learn （样本数据）

许可证

麻省理工学院