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！

---

🎬 运行效果

🎯 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。

---

🧭 本文结构概览

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

---

1️⃣ 环境准备：搭建 MCP 工具中枢

1.1 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

2️⃣ 服务部署：构建私有化图表生成引擎

2.1 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）

2.2 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=..."}

2.3 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!!

配置

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

3.1 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）

3.2 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"}

3.3 核心代码片段（SQL 与图表推荐）

import jsonimport tracebackfrom langchain.prompts import ChatPromptTemplatefrom datetime import datetimeimport loggingfrom agent.text2sql.analysis.llm_util import get_llmlogger = 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

4️⃣ 智能渲染：调用 MCP 工具生成图表

4.1 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。

4.2 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

4.3 核心代码片段（图表渲染）

import osfrom langchain_mcp_adapters.client import MultiServerMCPClientfrom langchain_openai import ChatOpenAIfrom langgraph.prebuilt import create_react_agentasync 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

5️⃣ 总结

✅ 本文成果

• 成功构建端到端的 “自然语言 → SQL → 图表” 自动化流水线
• 实现大模型与专业可视化能力的 标准化对接
• 支持完全私有化部署，满足企业级安全合规要求

📚 完整代码

**参考我的开源项目:**git@github.com:apconw/sanic-web.git

🌈 项目亮点

• ✅ 集成 MCP 多智能体架构
• ✅ 支持 Dify / LangChain / LlamaIndex / Ollama / vLLM / Neo4j
• ✅ 前端采用 Vue3 + TypeScript + Vite5，现代化交互体验
• ✅ 内置 ECharts / AntV 图表问答 + CSV 表格问答
• ✅ 支持对接主流 RAG 系统 与 Text2SQL 引擎
• ✅ 轻量级 Sanic 后端，适合快速部署与二次开发
• ✅ 项目已被蚂蚁官方推荐收录

AntV

运行效果:

智能问答

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！