Avant de construire un serveur de visualisation personnalisé, vérifier ce qui est déjà disponible. La couche de rendu est la partie des MCP Apps où les serveurs existants couvrent la majorité des cas d’usage. L’effort est mieux investi dans la couche d’accès aux données — la connexion aux sources de données réelles.
Les principales options
AntV mcp-server-chart
La couverture de types de graphiques la plus large. Le serveur d’AntV propose plus de 26 types de graphiques, dont des cartes géographiques, des graphes de réseau et des diagrammes de Sankey — au-delà de ce que fournirait une bibliothèque de graphiques standard.
npx -y @antv/mcp-server-chartL’installation tient en une seule commande, ce qui compte au moment de décider si l’on passe une après-midi à évaluer le concept ou une semaine à construire une infrastructure personnalisée. Commencer ici. Si les types de graphiques couvrent les besoins, c’est terminé.
Le serveur est prêt pour la production et activement maintenu par l’équipe AntV. Il gère le rendu ; on lui fournit des données. L’interface d’appel d’outil accepte des données structurées et une spécification de type de graphique, puis retourne la visualisation rendue.
Quand l’utiliser : prototypage rapide, large couverture de types de graphiques, visualisations géographiques ou de réseau.
Serveur Vega-Lite
Adopte une approche déclarative. Plutôt que de spécifier la logique de rendu (dessiner une barre ici, colorer cet axe), on décrit la structure de la visualisation — l’approche de la grammaire des graphiques. Le serveur gère le rendu en fonction de la spécification.
L’avantage : les spécifications Vega-Lite sont précises et reproductibles. La même spécification produit toujours le même graphique. Cela facilite l’itération sur les visualisations par programme et la sauvegarde des spécifications à réutiliser.
L’inconvénient : le modèle conceptuel est plus difficile d’accès. L’IA doit générer du JSON Vega-Lite valide, ce qu’elle fait raisonnablement bien mais pas parfaitement pour les spécifications complexes.
Quand l’utiliser : lorsque la reproductibilité et la précision de la spécification importent plus que la simplicité ; graphiques statistiques où le modèle de grammaire des graphiques est naturellement adapté.
mcp-visualization-duckdb
L’option axée sur la confidentialité. Combine les visualisations Plotly avec le traitement local DuckDB, de sorte que les données ne quittent jamais la machine. Utile quand :
- Les données analysées ne doivent pas être envoyées à des API externes
- On souhaite interroger des fichiers locaux (CSV, Parquet, JSON) avant de décider de les charger dans un entrepôt
- Les accords de traitement des données client interdisent le routage des données via des services cloud
La capacité de DuckDB à interroger plusieurs formats de fichiers directement est également utile pour l’analyse ad hoc avant que le pipeline de données soit prêt — visualiser un export CSV sans configurer de source de données formelle.
Quand l’utiliser : données sensibles, analyse de fichiers locaux, exigences de confidentialité, environnements isolés du réseau.
Serveurs de sources de données (l’autre moitié)
Les serveurs de visualisation ne représentent que la moitié de l’équation. Ils rendent les données — il faut aussi des serveurs qui les fournissent.
BigQuery : le MCP Toolbox officiel de Google pour les bases de données fournit les outils bigquery-execute-sql, bigquery-forecast et bigquery-conversational-analytics. Voir BigQuery MCP Server Setup pour le guide de configuration complet et les options d’authentification.
dbt : le serveur officiel de dbt Labs expose les opérations CLI (build, run, test, compile) et la couche sémantique via list_metrics et query_metrics. Le tier Fusion ajoute la lignée au niveau colonne. Voir le guide de configuration du serveur MCP dbt pour la configuration.
GA4 : google-analytics-mcp expose run_report avec plus de 200 dimensions et métriques, ainsi que le reporting en temps réel. Une requête en langage naturel comme « chiffre d’affaires par pays et catégorie d’appareil pour les 30 derniers jours » retourne des données structurées que le serveur de visualisation peut consommer directement.
Looker : le serveur Looker MCP de Google (lancé en août 2025) connecte MCP à la couche sémantique de Looker. Les visualisations MCP utilisent ainsi des définitions de métriques gouvernées — la même définition de chiffre d’affaires que les dashboards de production — plutôt que du SQL brut.
Combiner des serveurs en pratique
Un workflow de données MCP Apps typique chaîne deux serveurs : un serveur de données qui retourne des résultats structurés, et un serveur de visualisation qui les rend. Il n’est pas toujours nécessaire d’appeler le serveur de visualisation explicitement — l’IA l’utilisera lorsque la requête de l’utilisateur implique un graphique.
Pour l’exploration ad hoc : serveur de données BigQuery + serveur de graphiques AntV. Poser des questions en langage naturel, obtenir des graphiques.
Pour l’analyse gouvernée : Looker MCP + AntV ou Vega-Lite. Les données proviennent de la couche sémantique de Looker (métriques cohérentes, sécurité au niveau des lignes), le rendu vient du serveur de graphiques.
Pour les données sensibles : source DuckDB locale + mcp-visualization-duckdb. Tout reste sur la machine.
Quand construire du personnalisé
Custom MCP Server Decision Criteria couvre la décision générale build-vs-browse. Pour la visualisation spécifiquement : ne pas construire de rendu personnalisé sauf si aucun des serveurs existants ne couvre les types de graphiques ou les exigences de design.
Construire du personnalisé quand l’interface utilisateur doit aller au-delà des graphiques — filtres interactifs, navigation par drill-down, formulaires qui appellent des outils côté serveur, ou gestion d’état complexe. La note Building MCP Apps Visualization Server couvre le SDK TypeScript pour le développement d’applications personnalisées. Les applications personnalisées sont adaptées quand le modèle d’interaction compte, pas seulement le type de graphique.
Exemple de configuration
Installer le serveur AntV et connecter la source de données :
{ "mcpServers": { "antv-chart": { "command": "npx", "args": ["-y", "@antv/mcp-server-chart"] }, "bigquery": { "command": "npx", "args": ["-y", "@google/mcp-toolbox"], "env": { "GOOGLE_CLOUD_PROJECT": "your-project-id" } } }}Le modèle d’interaction : demander des données et une visualisation dans la même phrase — « Montre-moi un graphique en barres des commandes par pays pour les 30 derniers jours » — et l’IA route vers les bons serveurs.