使用说明

画布MCP

将分层画布图呈现为PNG的MCP服务器。将您的系统定义为层次结构网络, 工厂, 机器，以及节点 --Canvas MCP处理布局、样式和渲染。

本体论

Canvas MCP使用 四级层次本体每个图都是嵌套容器的树，从最宽的范围到原子单位：

Canvas
└── Network       ← system boundary
    └── Factory   ← functional domain
        └── Machine   ← pipeline
            └── Node      ← atomic operation

为什么是这种层次结构？

大多数绘图工具都会给你方框和箭头。Canvas MCP为您提供 语义容器 --每个层次都承载着关于范围和角色它包含的内容：

网络 --最宽的边界。将其视为服务、部署或整个子系统。一个复杂的架构可能有多个网络。
工厂 --网络中的一个功能域。“数据摄取”、“分析”、“输出生成”——一个工厂将服务于共同目的的管道分组。
机器 --单个管道或处理链。将数据从输入转换为输出的连接操作序列。
节点 --原子单位。一个操作：一个API调用，一个转换，一个决策门，一个AI推理步骤。

这不是任意嵌套——它反映了真实系统的组织方式。层次结构允许您在一个图中表示微观（单个操作）和宏观（系统架构）。

标注

本体的每一层都遵循相同的标签模式：

字段	必填	目的
`id`	是	用于连接和查找的唯一标识符
`label`	否	人类可读的显示名称
`description`	否	可选的更长描述（用于文档）

规则很简单： get_label() 返回 label 如果设置，否则回退到 id.

这使得YAML食谱保持简洁。只有当你想要一个与id不同的显示名称时，你才需要一个标签：

# No label needed — "preprocess" is clear enough
- id: preprocess
  type: process
  content: "Clean and normalize data"

# Label overrides the id for display
- id: llm-gpt4o-analysis
  type: ai
  label: "AI Analysis"
  content: "Run GPT-4o on cleaned data"

容器也是如此：

machines:
  - id: machine-1        # Renders as "machine-1" (fine for auto-generated)
    nodes: [...]

  - id: src-pipeline      # Renders as "Data Sources"
    label: "Data Sources"
    nodes: [...]

节点类型

节点是本体的原子单位。每个节点都有一个类型它决定了它的颜色并具有语义意义：

类型	颜色	十六进制	含义
`input`	蓝色	`#2196F3`	用户提供的数据进入系统
`output`	琥珀色	`#FFC107`	最终结果离开系统
`process`	青色	`#00BCD4`	转换或计算步骤
`decision`	红色	`#F44336`	分支点或条件门
`ai`	紫色	`#9C27B0`	AI/LLM处理步骤
`source`	橙色	`#FF9800`	外部数据源（API、数据库、文件）
`static`	绿色	`#4CAF50`	不可变种子含量或常数
`default`	灰色	`#999999`	通用/未指定

淋巴结解剖学

渲染时，每个节点显示：

杆式 --顶部与字体强调色相匹配的彩色条纹
标签 --类型栏下方的粗体文本（来自 get_label())
内容 --描述节点功能的单词包装正文
类型徽章 --右下角显示类型名称的小标签

节点属性

- id: analyze              # Required. Globally unique identifier.
  type: ai                 # Optional. One of the 8 types above. Default: "default"
  label: "AI Analysis"     # Optional. Display name. Default: uses id
  content: "Run inference" # Optional. Body text describing the operation
  x: 800                   # Optional. Horizontal position. Default: 0 (auto-layout)
  y: 180                   # Optional. Vertical position. Default: 0 (auto-layout)
  width: 250               # Optional. Node width in pixels. Default: 250
  height: 120              # Optional. Node height in pixels. Default: 120
  inputs: [preprocess]     # Optional. IDs of upstream nodes
  outputs: [report]        # Optional. IDs of downstream nodes
  style:                   # Optional. Override default NodeStyle
    border_color: "#FF00FF"
    fill_color: "#1e1e2e"
    text_color: "#cdd6f4"
    label_color: "#FF00FF"
    corner_radius: 12

容器造型

机器和工厂可以用 ContainerStyle 自定义他们的视觉容器：

machines:
  - id: my-pipeline
    label: "Custom Pipeline"
    style:
      border_color: "#89b4fa"    # Outline color
      fill_color: "#1e1e2e"      # Background fill
      label_color: "#89b4fa"     # Label text color
      alpha: 100                 # Fill opacity (0-255)
      corner_radius: 12          # Border radius
      border_width: 2            # Outline thickness

全部 ContainerStyle 字段是可选的——未设置的字段将恢复为默认值：

字段	机器默认值	出厂默认值
`border_color`	`#313244`	`#45475a`
`fill_color`	`#181825`	无（透明）
`label_color`	`#6c7086`	`#a6adc8`
`alpha`	120	0
`corner_radius`	8	12
`border_width`	1	1

连接

通过以下方式在节点上声明连接 inputs 和 outputs --其他节点ID列表：

- id: source
  type: input
  outputs: [transform]     # "I feed into transform"

- id: transform
  type: process
  inputs: [source]         # "I receive from source"
  outputs: [result]

连接是 双向重复数据消除 --在两端声明连接就足够了。声明两者都是无害的（而且通常更清晰）。

智能端口选择

Canvas MCP根据以下参数自动选择连接端口 空间关系 节点之间：

水平流动 （默认）：连接从右边缘退出，从左边缘进入。这将创建从左到右的图表。
垂直流动 （自动）：当目标节点明显低于或高于其源节点时（超过源节点高度1.5倍的“地平线”阈值），连接将切换到底部/顶部端口。这将创建垂直树结构。

切换是 从几何学中产生 --您无需对其进行配置。将节点并排放置，即可获得水平流。将它们垂直堆叠，你会得到垂直流动。将两者混合，每个连接都会独立选择正确的端口。

连接渲染

连接绘制得平滑 三次贝塞尔曲线 与：

定向S形弯曲控制点（水平或垂直）
从源节点的类型导出的颜色（变暗到70%）
端点处的箭头

YAML格式

Canvas MCP支持两种YAML格式。使用任何适合你需要的。

简化格式

简化格式是节点的平面列表。Canvas MCP自动将它们包装在层次结构中（一个网络>一个工厂>自动检测的机器），并处理布局：

title: My Pipeline

nodes:
  - id: ingest
    type: input
    label: "Data Ingest"
    content: "Accept incoming data"
    outputs: [clean]

  - id: clean
    type: process
    label: "Clean"
    content: "Normalize and validate"
    inputs: [ingest]
    outputs: [analyze]

  - id: analyze
    type: ai
    label: "AI Analysis"
    content: "Run LLM inference"
    inputs: [clean]
    outputs: [report]

  - id: report
    type: output
    label: "Report"
    content: "Generated summary"
    inputs: [analyze]

自动布局：当所有节点坐标均为 (0, 0) （或省略），Canvas MCP会自动排列它们。使用 organize 智能拓扑布局的标志。

汽车机械：节点的连接组件会自动分组到机器中。

分层格式

完整格式为您提供了对整个层次结构的明确控制：

canvas:
  version: "2.0"
  title: AI Pipeline

  networks:
    - id: main-system
      label: "Production System"

      factories:
        - id: ingestion
          label: "Data Ingestion"

          machines:
            - id: sources
              label: "Data Sources"
              nodes:
                - id: api-feed
                  type: source
                  x: 100
                  y: 100
                  label: "API Feed"
                  content: "External API data"
                  outputs: [preprocess]

                - id: db-source
                  type: source
                  x: 100
                  y: 260
                  label: "Database"
                  content: "Historical records"
                  outputs: [preprocess]

            - id: processing
              label: "Processing"
              nodes:
                - id: preprocess
                  type: process
                  x: 450
                  y: 180
                  label: "Preprocess"
                  content: "Clean and normalize"
                  inputs: [api-feed, db-source]
                  outputs: [analyze]

        - id: analysis
          label: "Analysis"

          machines:
            - id: ai-stage
              label: "AI Stage"
              nodes:
                - id: analyze
                  type: ai
                  x: 800
                  y: 180
                  label: "AI Analysis"
                  content: "Run LLM analysis"
                  inputs: [preprocess]
                  outputs: [output]

                - id: output
                  type: output
                  x: 1150
                  y: 180
                  label: "Report"
                  content: "Generated report"
                  inputs: [analyze]

布局系统

Canvas MCP包括一个内置的拓扑布局引擎。

自动布局

当所有节点的坐标位于 (0, 0)，基本的自动布局会排列它们：

机器内从左到右（80px水平间距）
机器之间从上到下（垂直间距200px）
工厂之间的额外间隙（60px）

组织算法

启用 organize: true 对于智能分层布局：

拓扑排序 （Kahn算法）分配层次级别
父中心对齐 孩子们以父母为中心
防止重叠 强制最小间距
循环处理 在循环图中优雅地定位节点
电网回退 在网格中排列断开连接的组件

间距级别

控制呼吸室 spacing_level 参数：

水平	水平	垂直	最适合
`node`	60px	110px	小而紧凑的图表
`container`	150px	190px	架构图（默认）
`network`	190px	250px	大型系统概述

视觉主题

Canvas MCP使用 卡布奇诺摩卡 黑暗主题：

元素	颜色	十六进制
画布背景	深色底色	`#11111b`
节点填充	基础	`#1e1e2e`
节点标签文本	浅色文本	`#cdd6f4`
节点内容文本	静音文本	`#a6adc8`
机器容器填充	表面	`#181825` （半透明）
机器容器边界	覆盖	`#313244`
机器标签	子文本	`#6c7086`
工厂集装箱边界	Surface 2	`#45475a`
工厂标签	子文本1	`#a6adc8`

MCP工具

Canvas MCP通过模型上下文协议公开了四个工具：

`render_canvas`

将YAML配方字符串渲染为PNG。

参数	类型	默认值	说明
`yaml_recipe`	string	必需	简化或分层格式的YAML
`scale`	编号	`2.0`	渲染比例（2.0=清晰的视网膜输出）
`filename`	string	auto UUID	输出文件名（不带扩展名）
`organize`	布尔值	`false`	应用分层布局算法
`spacing_level`	字符串	`"container"`	其中之一： `node`, `container`, `network`

`create_canvas`

从结构化输入（标题+节点+可选机器）创建图表。

参数	类型	默认值	说明
`title`	string	必填	画布标题
`nodes`	array	必填	节点定义列表
`machines`	array	可选	将节点分组到命名计算机中
`scale`	编号	`2.0`	渲染比例
`organize`	布尔值	`true`	应用布局算法
`spacing_level`	字符串	`"container"`	间距预设

返回PNG和保存的YAML配方。

`list_templates`

列出可用的初学者模板。返回模板名称和文件路径。

`get_template`

按名称检索特定模板的YAML内容。

安装

作为MCP服务器

添加到您的MCP客户端配置中（例如。， .mcp.json):

{
  "mcpServers": {
    "canvas-mcp": {
      "command": "uv",
      "args": [
        "run",
        "--directory", "/path/to/Canvas-MCP",
        "canvas-mcp"
      ]
    }
  }
}

直接运行

uv run canvas-mcp   # Starts the MCP stdio server

测试

uv run python test_render.py   # Renders test PNGs to output/

项目结构

Canvas-MCP/
├── src/canvas_mcp/
│   ├── models.py       # Ontology: Canvas > Network > Factory > Machine > Node
│   ├── parser.py       # YAML parser (simplified + hierarchical formats)
│   ├── renderer.py     # Pillow-based PNG renderer
│   ├── organize.py     # Hierarchical layout algorithm (topological sort)
│   └── server.py       # MCP server with 4 tools
├── templates/
│   ├── simple-flow.yaml      # 3-node linear pipeline
│   ├── decision-tree.yaml    # Branching decision flow
│   └── ai-pipeline.yaml      # Full hierarchical example
├── pyproject.toml
└── test_render.py

输出

PNG保存到 ~/.rhode/canvas/ 默认情况下。设置 CANVAS_OUTPUT_DIR 环境变量来改变这一点。

许可证

麻省理工学院

使用说明

画布MCP

本体论

为什么是这种层次结构？

标注

节点类型

淋巴结解剖学

节点属性

容器造型

连接

智能端口选择

连接渲染

YAML格式

简化格式

分层格式

布局系统

自动布局

组织算法

间距级别

视觉主题

MCP工具

render_canvas

create_canvas

list_templates

get_template

安装

作为MCP服务器

直接运行

测试

项目结构

输出

许可证

相关 MCP

电路图绘制服务器

AI绘图服务

画布渲染服务器

层级图渲染服务

网页内容抓取服务器

知识图谱记忆服务器

`render_canvas`

`create_canvas`

`list_templates`

`get_template`