Getirilen verilerden VegaLite formatı ve renderer'ı kullanarak görselleştirmeler oluşturun.
Claude Desktop config.json'a ekle
{
"mcpServers": {
"isaacwasserman-mcp-vegalite-server": {
"command": "python",
"args": [
"-m",
"mcp_vegalite_server"
]
}
}
} Kaynak kodu al ve yerel olarak çalıştır
git clone https://github.com/isaacwasserman/mcp-vegalite-server.git ~/.mcp/mcp-vegalite-server
cd ~/.mcp/mcp-vegalite-server Vega-Lite sözdizimini kullanarak veri görselleştirmek için LLM'ye bir arayüz sağlayan Model Context Protocol (MCP) sunucusu uygulaması.
Sunucu iki temel aracı sunmaktadır:
save_data
name (string): Kaydedilecek veri tablosunun adıdata (array): Veri tablosunu temsil eden nesneler dizisivisualize_data
data_name (string): Görselleştirilecek veri tablosunun adıvegalite_specification (string): Vega-Lite spesifikasyonunu temsil eden JSON string--output_type değeri text olarak ayarlanmışsa, veriler içeren tam Vega-Lite spesifikasyonunu içeren ek bir artifact anahtarı ile birlikte başarı mesajı döndürür. --output_type değeri png olarak ayarlanmışsa, MPC ImageContent konteynerini kullanarak görselleştirmenin base64 kodlanmış PNG görüntüsünü döndürür.# Sunucuyu claude_desktop_config.json dosyanıza ekleyin
{
"mcpServers": {
"datavis": {
"command": "uv",
"args": [
"--directory",
"/absolute/path/to/mcp-datavis-server",
"run",
"mcp_server_datavis",
"--output_type",
"png" # veya "text"
]
}
}
}
Tüm MCP protokol özelliklerini kullanan MCP sunucusu.
Python'da MCP sunucuları oluşturmak için üst düzey bir framework.
Ekran ve ses kaydını zaman damgasıyla indeksleyen, SQL/embedding storage kullanan, semantic search ve LLM tabanlı geçmiş analizi yapan local-first sistem. NextJS plugin ekosistemi aracılığıyla bağlam farkında AI ajanlar oluşturmayı ve event-triggered aksiyonları destekler.
YouTube video bilgilerini çıkartıp dönüştürün.
Obsidian ile REST API aracılığıyla etkileşim kurma
AI ajanlarını 600+ entegrasyon ile tek bir arayüzden bağlayın - OAuth, scaling ve monitoring dahil