图表审查工具

Inkwell MCP

一个对抗性的图表审阅者，帮助您提高数据墨水比率，并与图表进行更多沟通。

Inkwell分两次审核图表-- 物质 （数据是真实的吗？标题匹配吗？）那么 风格 （数据墨水比例、直接标签、颜色限制、空白）。如果它一直只在风格上拒绝，它就会升级为人类，而不是永远循环。

作为一个 MCP服务器 为了 克劳德代码 和克劳德桌面。

之前/之后

同样的数据（美国国家航空航天局GISS全球温度异常，1880-2024）。BEFORE未通过Inkwell的物质检查——标题描述了轴，而不是陈述发现。AFTER得分16/16。

之前：彩虹渐变条、网格线、通用标题（“随时间”）、不必要的图例、旋转标签，当数据位于-0.3/+1.3时，y轴延伸到-1/+2。Inkwell判决： SUBSTANCE_FAIL （S3：标题没有说明发现）。

之后：标题陈述了发现，副标题将NASA GISS命名为来源，在端点上直接标记，一种颜色，范围帧，在加速点进行有意义的注释。Inkwell判决： 批准，16/16.

自己生成这些： python examples/before_after.py

为什么

LLM驱动的图表审查听起来很棒，直到你尝试它。我们遇到的问题：

1. 无限的拒绝循环。 “残忍”的提示会导致评论者永远拒绝一切。你解决它的问题，它就会发现新的投诉。没有终点线。
2. 实质和风格纠缠在一起。 字体投诉会覆盖有效数据。当数据正确时，审阅者告诉您更改可视化类型。
3. 评论者产生了幻觉。 视觉模型声称衬线字体为“无衬线”，在无网格图表上标记“网格线”，并发明不存在的违规行为。
4. 回合之间没有记忆。 审阅者要求格式A，你遵守，然后它拒绝格式A并要求格式B。

Inkwell修复了这四个问题：

• 双通道架构 --内容和风格是独立的提示，有独立的判断。字体抖动不能覆盖有效数据。
• 有限评分 --风格在8个标准上得分为0/1/2。总分为16分。你确切地知道自己的立场。
• 抗幻觉说明 --“只对你能看到的进行评分。如果你不能识别字体，不要猜测。”
• HITL升级 --在同一张图表上只被拒绝了3次后，Inkwell停下来说：“给人看看。”不再循环了。

安装

pip install mcp anthropic   # Anthropic backend
# or
pip install mcp openai      # OpenAI-compatible backend (Gemini, Nemotron, Ollama, etc.)

设置

克劳德代码

添加 .mcp.json 在项目根目录中：

{
  "mcpServers": {
    "inkwell": {
      "command": "python3",
      "args": ["/absolute/path/to/inkwell.py"],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-..."
      }
    }
  }
}

重新启动Claude Code以获取新服务器。

克劳德桌面版

添加 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）或 %APPDATA%\Claude\claude_desktop_config.json （Windows）：

{
  "mcpServers": {
    "inkwell": {
      "command": "python3",
      "args": ["/absolute/path/to/inkwell.py"],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-..."
      }
    }
  }
}

OpenAI兼容API

通过OpenAI SDK使用任何具有视觉能力的模型（Gemini、Nemotron、Ollama、vLLM、LiteLLM等）：

{
  "mcpServers": {
    "inkwell": {
      "command": "python3",
      "args": ["/absolute/path/to/inkwell.py"],
      "env": {
        "INKWELL_BACKEND": "openai",
        "INKWELL_OPENAI_API_KEY": "your-key",
        "INKWELL_OPENAI_BASE_URL": "https://generativelanguage.googleapis.com/v1beta/openai",
        "INKWELL_MODEL": "gemini-2.0-flash"
      }
    }
  }
}

配置

环境变量：

工具

review_chart

对图表图像进行两遍审查。

review_chart(
    image_path="/path/to/chart.png",
    context="Sales by region, Q1-Q4 2025. Source: internal CRM. Finding: APAC grew 3x while NA was flat.",
    code="<optional matplotlib code>"
)

第一关——实质内容 （二进制，快速失败）：

• S1：真实数据（非虚构数字）
• S2：正确形式（图表类型适合数据）
• S3：可见的论点（5秒内找到）
• S4：数据完整性（标题与图表所示内容匹配）

如果实质内容失败，则跳过样式审查。先修复数据。

第二关——风格 （得分/16）：

• C1：数据墨水比例
• C2：直接标签（无需图例）
• C3：颜色限制（最多2种有意义的颜色）
• C4：排版（标题=查找，副标题=数据描述）
• C5：空白（没有狭窄的标签）
• C6：范围帧（轴跨度数据，而非整数）
• C7：有意义的注释
• C8：背景（谁的数据、测量的内容、样本量）

得分：>=12通过，8-11需要努力，<8失败。

review_history

查看所有审核轮次以获取图表：

review_history(image_path="/path/to/chart.png")

reset_history

重大重新设计后的清晰历史：

reset_history(image_path="/path/to/chart.png")

chart_spec

询问Inkwell论文或报告需要什么图表：

chart_spec(
    paper_text="<your paper text>",
    paper_title="Quarterly Sales Analysis"
)

返回图表规格，包括确切的数据要求、推荐的表格和要省略的内容。会告诉你文本是否没有足够的定量数据来制作图表。

HITL门

在3次风格拒绝（每次实质性通过）后，Inkwell停止审核并返回：

HITL ESCALATION: This chart has been rejected 3 times on style alone
(substance passes every time). Style scores across rounds: [11, 10, 11].
The automated reviewer may be looping. Show the chart to a human and ask:
'Does this chart communicate its finding clearly? Any label overlaps or
readability issues?'

这避免了LLM驱动的审查中最常见的失败模式：无限的挑剔循环，审查人员不断发现新的问题要抱怨。

工作流示例

1. 使用matplotlib/seaborn/plotly生成图表
2. 让克劳德复习一下： “查看我在figures/sales.png上的图表——它按地区显示了第1季度至第4季度的收入”
3. 克劳德打电话来 review_chart → 获得实质+风格反馈
4. 修复失败的问题，重新生成，重新提交
5. 批准（或HITL升级）后，您就完成了

典型的图表在第一次尝试时就通过了实质性内容，并在1-3轮内达到风格认可。

起源

建造于 气动 研究项目，我们需要审查11篇论文中的18个数据可视化。v1评论者（“残忍点。你几乎从不赞成。”）创建了无限的拒绝循环。v2（Inkwell）通过双通道架构和HITL门解决了这个问题。所有18张图表均在1-3轮内获得批准。

许可证

麻省理工学院