← 返回目录

PaperBanana

社区

为AI科学家自动化生成学术图表和统计图

查看安装方法 ↓ 横向对比 GitHub 源仓库 ↗

分类: 其他
Stars: ★ 2.4k 非常热门
传输方式: stdio（本地进程）
运行环境: Python 3.10+ · 预编译二进制 uv/uvx
凭据: 需要 API Key / 凭据
许可证: MIT
最近提交: 35 天前
工具数: 5

49FMRS · D

这是一个功能强大的MCP服务器，专门用于学术图表生成，提供了丰富的工具和配置选项。它适合研究人员用来自动化图表创建，但需要熟悉多种API提供商和配置。

最强项 · 安装易用性 11/20 最弱项 · 安全与权限 8/20

可靠性

9/20

安全与权限

8/20

维护活跃度

10/20

文档质量

11/20

安装易用性

11/20

查看各项评分依据

可靠性 9/20: 服务器清单声明的5个工具与README中提到的11个MCP工具不一致（README中额外提到了continue_diagram、continue_plot、orchestrate_figures、batch_diagrams、batch_plots、download_references），但清单的package identifier和transport明确，且提供了PYPI包名paperbanana和uvx启动命令，说明可以通过标准方式安装和启动。然而，由于这是静态审查，没有实际运行验证，且工具与README描述存在差异，可靠性最高只能给到9分，不能超过12分的静态校准上限。扣分主要原因是声明与实际行为一致性无法从静态源完全验证，以及README和清单之间的不一致性。
安全与权限 8/20: 该服务器依赖外部AI服务（OpenAI、Azure、Gemini、Atlas Cloud），需要API密钥，但README提供了.env示例和环境变量配置，没有发现硬编码的密钥或恶意行为。API密钥通过环境变量传递，属于常见做法。然而，服务器需要外部网络访问，且没有明确的权限边界或数据使用说明，用户需要自行了解数据发送到第三方的情况。没有发现Red-line级别的风险，因此给8分，扣分主要因为数据流披露和最小权限细节不完整。
维护活跃度 10/20: 仓库有MIT许可证，CI工作流存在（README中引用了actions/workflows/ci.yml），且更新活跃（2026年版本0.3.0）。但静态审查时无法核实提交频率或问题响应。扣分是因为没有显示安全响应渠道或版本更新策略的细节。
文档质量 11/20: README非常详细，包含安装步骤、CLI参考、MCP配置示例、环境变量、项目结构和开发指南，还提供了示例。但文档中提到的MCP工具数量与服务器清单不一致，且没有独立的MCP服务器文档细节（例如工具参数的详细说明）。扣分是因为文档与清单有矛盾，且缺少故障排除部分。
安装易用性 11/20: 安装步骤清晰：pip install paperbanana，并提供uvx命令用于MCP。还提供了Docker和Colab选项。但需要用户自行获取API密钥并配置环境变量，且没有针对所有可能客户端的详细配置示例。由于没有实际执行验证，最高给到15分，但结合CI和测试的存在，我给11分，扣分因为依赖外部API和手动配置。

静态评测 · 未实际运行收录于 2026-08-07

查看 FMRS 评分方法 →

选型与风险

能访问什么读取本地文件写入 / 删除本地文件访问网络

适合谁

研究人员和科学家需要快速生成论文图表
自动化论文写作和可视化流程
需要多提供商支持（OpenAI、Gemini等）的用户
希望使用多智能体流水线进行迭代细化的用户

不适合谁

需要生成复杂非学术图像的用户（不适合）
希望无API密钥完成任务的用户
需要实时交互式绘图编辑的用户

所需权限

需要VLM提供商（如OpenAI或Gemini）的API密钥
需要图像生成提供商（如OpenAI或Gemini）的API密钥
需要文件系统访问以读取输入和写入输出文件

风险与副作用

API密钥管理不善可能导致费用超出预算
生成内容可能包含偏见或错误，需人工审查
依赖第三方提供商，可能受服务中断或政策变化影响

安装接入

准备工作

运行环境：Python 3.10+ · 预编译二进制 uv/uvx

GOOGLE_API_KEY 必填密钥 Google AI Studio 的 Gemini API 密钥（有免费额度），在 https://makersuite.google.com/app/apikey 申请；配置中作为 env 传入 MCP 服务器。

使用提供的JSON配置，通过uvx运行：uvx --from paperbanana[mcp] paperbanana-mcp，并设置GOOGLE_API_KEY环境变量（或使用OPENAI_API_KEY）。确保Python 3.10+和uv已安装。

claude_desktop_config.json

{
  "mcpServers": {
    "paperbanana": {
      "command": "uvx",
      "args": [
        "--from",
        "paperbanana[mcp]",
        "paperbanana-mcp"
      ],
      "env": {
        "GOOGLE_API_KEY": "your-google-api-key"
      }
    }
  }
}

以 Claude Desktop 为例。其他客户端的配置文件位置或字段可能不同（如 VS Code 使用 servers 字段），可用下方配置生成器转换。

.vscode/mcp.json

{
  "servers": {
    "paperbanana": {
      "command": "uvx",
      "args": [
        "--from",
        "paperbanana[mcp]",
        "paperbanana-mcp"
      ],
      "env": {
        "GOOGLE_API_KEY": "your-google-api-key"
      }
    }
  }
}

写入项目的 .vscode/mcp.json（VS Code 使用 servers 字段）。

Terminal

claude mcp add paperbanana -e GOOGLE_API_KEY=your-google-api-key -- uvx --from 'paperbanana[mcp]' paperbanana-mcp

在终端运行；先把 <…> 占位符换成你自己的值。

生成并校验客户端配置

验证是否装好

在 MCP 客户端的工具列表中应出现 generate_diagram、generate_plot、evaluate_diagram 等工具；调用一次 generate_diagram 并确认输出图片生成成功即证明连接正常。

常见排障

确保API密钥正确设置在环境变量中。
检查输入文件路径是否有效。
验证模型名称是否正确。
如果生成失败，查看输出的元数据和日志以诊断问题。

试试这样问

连接成功后，可以直接对 AI 助手这样说：

根据 method.txt 的内容和标题“Overview of our framework”生成一张方法论文风格的示意图
用 results.csv 的数据画一个对比各模型准确率的柱状图
把我之前那次 run 继续精修一下，反馈是：箭头加粗、颜色对比更明显
将我生成的 diagram.png 与人工参考图在四个维度上对比评估

工具能力 5

generate_diagram 写入

根据文本上下文和标题生成方法学图表

continue_run 写入

继续细化现有的运行目录（可选评论反馈）

generate_plot 写入

根据JSON数据和意图描述生成统计图

evaluate_diagram 只读

将生成的图表与人工参考在4个维度上进行比较

evaluate_plot 只读

将生成的统计图与人工参考在4个维度上进行比较

使用场景

从论文文本自动生成方法学图表

根据CSV/JSON数据生成统计图

将生成的图表与人工参考进行质量评估

批量生成多个图表或统计图

在IDE或Claude Code中集成自动化图表生成

支持客户端

Claude Desktop

依据项目文档列出，未经本站实测。

详细介绍

PaperBanana是一个开源的MCP服务器，基于Google Research的PaperBanana论文实现，利用多智能体AI从文本描述生成出版质量的学术图表和统计图。它支持OpenAI、Azure、Google Gemini和Atlas Cloud等多个提供商，提供两阶段多智能体流水线和迭代细化，适用于研究自动化、论文写作和可视化。