Draw.io 官方 MCP 实测:AI 自动生成架构图,丝滑到离谱

Draw.io 官方 MCP 实测:AI 自动生成架构图,丝滑到离谱

最近绘图神器 draw.io 发布了官方 MCP Server。真是喜大普奔(喜闻乐见、大快人心、普天同庆、奔走相告)。

我们现在可以在 Cursor、Claude Desktop 等支持 MCP 的编辑器里让 draw.io 帮忙画图,画完后,它会直接弹出网页编辑器,我们可以基于已绘制的图进行再次编辑,体验非常酷。

接下来我们一起看看怎么使用它。

安装与配置

一、在 Cursor 中配置 MCP server:
  1. 打开 Cursor,进入 Settings → Cursor Settings → MCP(或直接 Cmd + Shift + J
  2. 点击 + Add new global MCP server,这会打开配置文件 ~/.cursor/mcp.json
  3. 填入:
{"mcpServers":{"drawio-mcp":{"command":"npx","args":["-y","@drawio/mcp"]}}}
  1. 保存后回到 MCP 设置页面,应该能看到 drawio-mcp 已列出,状态显示为绿色即表示连接成功。
提示:如果状态显示红色/失败,可以点旁边的刷新按钮重试。同样注意 npx 路径问题,必要时用完整路径替代。
二、在 Claude 添加 drawio-mcp
1)、在 Claude Mac 客户端中添加 MCP server 的步骤:
  1. 打开 Claude 桌面客户端,点击菜单栏 Claude → Settings → Developer → Edit Config
  2. 这会打开配置文件 claude_desktop_config.json,路径通常是:
    ~/Library/Application Support/Claude/claude_desktop_config.json
  3. 在文件中添加:
{ "mcpServers": { "drawio-mcp": { "command": "npx", "args": ["-y", "@drawio/mcp"] } } } 

如果已有其他 MCP server,把 "drawio-mcp": {...} 加到 mcpServers 对象里即可。

  1. 保存文件后重启 Claude 客户端
  2. 重启后在对话输入框左下角应该能看到 MCP 工具图标(🔨),点击可确认 drawio-mcp 的 tools 是否加载成功。
注意:确保你的系统已安装 Node.js 和 npm,因为 npx 依赖它们。在 M1 Mac 上如果用 nvm 管理 Node,可能需要把 command 改为 npx 的完整路径(which npx 查看),避免 Claude 找不到命令。
2)、Claude 网页端(claude.ai)目前不支持直接添加自定义 MCP server

MCP server 配置只支持以下客户端:

  • Claude 桌面客户端 — 通过 claude_desktop_config.json
  • Claude Code(CLI)— 通过 claude mcp add 命令
  • Cursor / Windsurf 等第三方 IDE

如果你想在网页端使用 draw.io 功能,有两个替代方案:

  1. 使用 Claude 桌面客户端:按之前的方法配置。
  2. 使用 Claude in Chrome 扩展:集成 drawio-mcp 工具,让扩展生成 draw.io 图表。比如告诉扩展你想画什么图,扩展可以直接调用 open_drawio_mermaidopen_drawio_xml 来生成。

实战:画一个 SSO 时序图

在 Cursor 或者 Claude 客户端中向 AI 发出命令:

使用 draw.io MCP 工具 open_drawio_mermaid 制作展示 SSO 流程的时序图

生成后,可以保存文档到 Google Drive。这样方便后续随时再次编辑。再也不用担心找不到历史编辑文件了。

draw.io MCP Server 技术原理与限制

核心功能与流程
  • draw.io MCP 工具将 AI 生成的 Mermaid/CSV/XML 逻辑转成 draw.io 专用链接,从而实现快速绘图
  • 绘图流程为用户发指令→AI生成结构化数据→工具压缩编码→浏览器打开可编辑 draw.io 页面
支持的核心转换模式
  • Mermaid 转图(open_drawio_mermaid):AI 写 Mermaid逻辑,draw.io 渲染编辑
  • CSV 转图(open_drawio_csv):适合组织架构等树状图,AI 处理人员关系生成
  • XML原生格式(open_drawio_xml):支持现成 draw.io XML 或AI 生成复杂图表
技术原理与限制
  • 实现原理为生成带压缩编码数据的 URL,本地浏览器解析,隐私性好
  • 存在 URL 长度限制,超复杂图表可能因 URL 过长无法打开

小结

draw.io 发布官方 MCP Server,支持在 Cursor、Claude 等编辑器中通过 AI 生成可编辑图表,覆盖 Mermaid/CSV/XML 模式,虽然存在 URL 长度限制但隐私性好,体现传统工具拥抱 AI Agent 生态的大趋势。

工欲善其事,必先利其器。
技术人员很有必要折腾一下这个工具。
花点时间把这个工具配置好了,一次配置,接下来的所有时间里都可以使用这个得心应手的好工具了。

尤其是经常绘各种图的架构师同学们,有了这个,简直不能再爽!

AI 时代已经到来,必须拥抱 AI! 个人,无论技术能力有多强,已经很难与 AI 的效率相比。必须充分利用 AI,让 AI 更多地为我们做事。这样才能如虎添翼。

参考:

  1. drawio-mcp
  2. 终于等到!Draw.io 官方发布 MCP,这体验丝滑得不像话!

2026.02.14 18:34
沪 · 汇金路KFC

Read more

学习FPGA(八)快速傅里叶变换

前言         傅里叶变换能通过将信号的时域变换到信号的频域,因为在频域中,系统的响应就等于信号与系统传函的频域上相乘(时域上是卷积),相比于直接在时域里做卷积,先进行傅里叶变换,再在频域上相乘,最后通过逆傅里叶变换反变换回来的步骤看似更长更复杂,但在工程技术上却相对容易实现。         传统的傅里叶变换属于工程数学范畴,主要针对连续时间信号进行时域-频域的变换。而从工程技术的角度来看,人们不可能做到对信号进行连续时间的采样,因此离散傅里叶变换(DFT)也就在这种情况下诞生了。时间久了以后,人们发现DFT的算法时间复杂度太高了,优化DFT的迫在眉睫,快速傅里叶变换(FFT)的出现使原本时间复杂度o(n^2)的DFT直接降到了o(nlogn)。         以上算是FFT的极简版背景故事,具体如何发展如何变换的,数字信号处理相关课程一定有讲,这里就暂时不细讲了,这里还是主要以FPGA中实现快速傅里叶变换为主。         由于我仅在FPGA上实现FFT对信号进行时域-频域的变换,并做到了基波频率的采集,目前尚未如之前的一些历程那样试过其他的方案,因此本文不能给

无人机遥感航拍巡检数据集 无人机遥感图像识别 无人机视角山区泥石流和滑坡图像识别数据集-数据集第10067期

无人机遥感航拍巡检数据集 无人机遥感图像识别 无人机视角山区泥石流和滑坡图像识别数据集-数据集第10067期

滑坡检测数据集核心信息介绍 ** 这个滑坡检测数据集主要用于目标检测任务,整体数据规模和细节都比较明确。从数量上看,数据集总共包含 1660 张图像, 往期热门主题 主题搜两字"关键词"直达 代码数据获取: 获取方式:***文章底部卡片扫码获取*** 覆盖了YOLO相关项目、OpenCV项目、CNN项目等所有类别, 覆盖各类项目场景(包括但不限于以下----欢迎咨询定制): 项目名称项目名称基于YOLO+deepseek 智慧农业作物长势监测系统基于YOLO+deepseek 人脸识别与管理系统基于YOLO+deepseek 无人机巡检电力线路系统基于YOLO+deepseek PCB板缺陷检测基于YOLO+deepseek 智慧铁路轨道异物检测系统基于YOLO+deepseek 102种犬类检测系统基于YOLO+deepseek 人脸面部活体检测基于YOLO+deepseek 无人机农田病虫害巡检系统基于YOLO+deepseek 水稻害虫检测识别基于YOLO+deepseek 安全帽检测系统基于YOLO+deepseek 智慧铁路接触网状态检测系统基于YOLO+

微信小程序案例 - 自定义 tabBar

一、前言 微信小程序原生的 tabBar 提供了底部导航栏的基础功能,但其样式和交互受限,难以满足日益增长的 UI 设计需求。因此,越来越多的小程序项目选择使用 自定义 tabBar 来实现更灵活、更美观的底部导航。 本文将带你从零开始,手把手实现一个完整的 微信小程序自定义 tabBar 案例,包括: ✅ tabBar 的结构设计 ✅ 动态切换页面 ✅ 图标与文字高亮状态管理 ✅ 样式美化与响应式适配 ✅ 页面跳转逻辑处理 ✅ 完整代码示例 并通过图文结合的方式帮助你掌握如何在实际项目中灵活应用自定义 tabBar。 二、为什么需要自定义 tabBar? 原生 tabBar 局限自定义 tabBar 优势样式固定,无法修改图标大小、颜色等可自由定制样式最多只能配置 5 个 tab 页灵活扩展,可做横向滚动不支持中间凸起按钮支持自定义布局难以集成动态数据可绑定数据、响应事件 三、项目目标 我们将实现一个类似美团风格的自定义 tabBar,

CVPR 2026 Oral实测|YOLO-DRONE:无人机低空巡检的“性能天花板”,小目标召回率狂升39%(清华团队力作,电力部署实操全解析)

CVPR 2026 Oral实测|YOLO-DRONE:无人机低空巡检的“性能天花板”,小目标召回率狂升39%(清华团队力作,电力部署实操全解析)

前言:作为长期深耕无人机计算机视觉落地的算法工程师,我始终认为,无人机低空巡检场景的核心痛点,从来不是“模型精度多高”,而是“能否适配复杂飞行工况下的实战需求”。无论是电力巡检中的导线断股、绝缘子破损,还是安防巡检中的人员遗留、设备异常,这些目标往往尺寸极小、飞行过程中受风速扰动导致画面模糊、目标尺度动态变化,传统YOLO系列模型要么小目标漏检严重,要么抗扰动能力弱,要么实时性不足,根本无法满足工业级巡检的落地要求。 2026年CVPR大会上,清华大学团队提出的YOLO-DRONE模型惊艳全场,成功入选Oral(口头报告),成为低空巡检领域唯一入选的单阶段检测模型。这款专为无人机低空巡检设计的多尺度动态感知模型,创新性融合自适应尺度感知头(ASPH)与风速补偿特征对齐模块,彻底解决了传统模型“小目标漏检、抗扰动差、实时性不足”三大痛点——在UAV-DT无人机巡检专用数据集上,小目标召回率直接提升39%,同时支持1080p@45FPS实时处理,目前已正式部署于国内某省级电力巡检系统,实现输电线路的自动化巡检落地。 我第一时间获取了YOLO-DRONE的技术论文及开源代码,搭建了模拟无