Este artigo está patrocinado por Penpot Imaxina que o teu ficheiro Penpot contén un conxunto completo de iconas ademais do propio deseño, que usa algunhas pero non todas esas iconas. Se lle pediras a unha IA como Claude ou Gemini que exporte só as iconas que se están a usar, non podería facelo. Non é capaz de interactuar cos ficheiros Penpot. Non obstante, un servidor Penpot MCP pode. Pode realizar unha serie de operacións seleccionadas baixo regras e permisos establecidos, especialmente porque Penpot ten unha API extensa e aínda máis porque é de código aberto. O traballo da IA é simplemente comprender a súa intención, escoller a operación correcta para que o servidor MCP realice (neste caso unha exportación) e pasar calquera parámetro (é dicir, iconas que se están a utilizar). Despois, o servidor MCP traduce isto nunha solicitude de API estruturada e execútaa. Podería ser útil pensar na IA como un servidor dun restaurante que recibe o teu pedido, o servidor MCP como menú e chef e a solicitude da API como (con sorte) unha torta de pizza quente nun prato quente. Por que os servidores MCP, exactamente? Ben, Penpot non é capaz de comprender a túa intención porque non é un LLM, nin permite que LLM de terceiros interactúen cos teus ficheiros Penpot para a seguridade e a privacidade dos teus datos de Penpot. Aínda que os servidores Penpot MCP actúan como unha ponte segura, traducindo a intención da IA en solicitudes de API usando os teus ficheiros e datos Penpot como contexto. O que é aínda mellor é que, debido a que Penpot adopta un enfoque de deseño expresado como código, os deseños pódense crear, editar e analizar mediante programación a un nivel granular. É máis contextual, máis particular e, polo tanto, máis poderoso en comparación co que ofrecen outros servidores MCP, e moito máis pensativo que o fluxo de traballo de intelixencia artificial "Describir → Xerar" que non creo que ninguén quere realmente. O libro branco de IA de Penpot describe isto como un mal enfoque e o enfoque "Converter en código" como un enfoque feo, mentres que os servidores MCP son máis refinados e adaptables. Características e detalles técnicos Antes de pasar aos casos de uso, aquí tes algunhas características e detalles técnicos que explican máis como funcionan os servidores Penpot MCP:
Cumpre cos estándares MCP; Intégrase coa API de Penpot para obter datos de deseño en tempo real; Inclúe un SDK de Python, API REST, sistema de complementos e ferramentas CLI; Funciona con calquera asistente de IA habilitado para MCP (Claude en VS Code, Claude en Cursor, Claude Desktop, etc.); Admite compartir o contexto de deseño con modelos de IA e permitirlles ver e comprender os compoñentes; Facilita a comunicación con Penpot mediante a linguaxe natural.
Que poderían, entón, permitirnos facer os servidores MCP en Penpot e que lograron xa os experimentos existentes? Botámoslle un ollo. Casos de uso do servidor Penpot MCP Se só queres pasar ao que poden facer os servidores MCP de Penpot, Penpot ten algunhas demostracións de MCP escondidas nun Google Drive que paga a pena ver. O CEO de Penpot, Pablo Ruiz-Múzquiz, mencionou que os vídeos 03, 04, 06, 08 e 12 son os seus favoritos. Unha forma aínda máis rápida de resumir os servidores MCP é ver a presentación do Penpot Fest 2025. En caso contrario, vexamos algúns dos exemplos máis refinados que Penpot demostrou no seu escaparate público. Deseño a código e volta de novo (e máis) Partindo do que dicía anteriormente sobre como se expresan os deseños de Penpot como código, isto significa que os servidores MCP poden usarse para converter deseño en código usando IA, pero tamén código para deseño, deseño en documentación, documentación para deseñar elementos do sistema, deseño para codificar de novo baseándose no devandito sistema de deseño e, a continuación, compoñentes completamente novos baseados no devandito sistema de deseño. Parece surrealista, pero a demostración que aparece a continuación mostra esta transmutabilidade e non se trata de instrucións vagas, senón de opcións de deseño anteriores, independentemente de como se expresasen (deseño, código ou documentación). Non hai sorpresas: estas son simplemente as decisións que tomarías de todos os xeitos en función de decisións anteriores, executadas con rapidez. Na demostración, Juan de la Cruz García, deseñador de Penpot, transmuta sen fricción algúns compoñentes sinxelos en documentación, elementos do sistema de deseño, código, novos compoñentes e ata un proxecto completo de Storybook como unha peza de Play-Doh: Design-to-Code, Validación de deseño/código e operacións sinxelas Nunha demostración similar a continuación, Dominik Jain, cofundador de Oraios AI, crea unha aplicación web Node.js baseada no deseño antes de actualizar os estilos de frontend, garda os nomes e os identificadores na memoria para garantir unha tradución fluida do deseño ao código antes de verificar a coherencia, engade uncomente xunto á forma seleccionada en Penpot e, a continuación, substitúe un garabato en Penpot por un compoñente adaptado. Aquí están pasando moitas cousas, pero podes ver exactamente o que Dominik está escribindo en Claude Desktop, así como as respostas de Claude, e é moi robusto: Por certo, a demostración anterior usaba Claude en VS Code, polo que debo ter en conta que os servidores Penpot MCP son independentes de LLM. A túa pila de tecnoloxía depende totalmente de ti. IvanTheGeek conseguiu configurar o seu servidor MCP co IDE JetBrains Rider e Junie AI. Máis casos de uso Traduce un taboleiro de Penpot a HTML semántico listo para a produción e CSS modular ao tempo que aproveitas calquera ficha de deseño de Penpot (recorda que os deseños de Penpot xa se expresan como código, polo que non se trata dun tiro na escuridade): Xera un prototipo web interactivo sen cambiar o HTML existente: Como se mostra anteriormente, converte un garabato nun compoñente, aproveitando os elementos do sistema de deseño e/ou deseño existentes: Crea a documentación do sistema de deseño a partir dun ficheiro Penpot: E aquí tes algúns casos de uso máis de Penpot e da comunidade:
Exportacións avanzadas, Busca elementos de deseño usando linguaxe natural, Extrae datos de API externas usando linguaxe natural, Conecte facilmente Penpot a outras ferramentas externas, Gardar tarefas repetitivas na memoria e executalas, proba de regresión visual, Comprobación da coherencia do deseño e da redundancia, Análise e comentarios de accesibilidade e usabilidade, Comprobación da conformidade do sistema de deseño, Comprobación do cumprimento das directrices (marca, contido, etc.), Supervisar a adopción e o uso con análise de deseño, Mantén a documentación sincronizada automaticamente co deseño, Organización do ficheiro de deseño (por exemplo, etiquetado/categorización).
Esencialmente, os servidores Penpot MCP levan o camiño a un número infinito de fluxos de traballo grazas á eficiencia e facilidade do cliente LLM/LLM elixido, pero sen expor os seus datos a el. Para que usarías os servidores MCP? Os servidores Penpot MCP nin sequera están en fase beta, pero é un experimento activo do que podes formar parte. Os usuarios de Penpot xa comezaron a explorar casos de uso dos servidores MCP, pero Penpot quere ver máis. Para garantir que a próxima xeración de ferramentas de deseño satisfaga as necesidades dos deseñadores, desenvolvedores e equipos de produto en xeral, deben construírse de forma colectiva e colaborativa, especialmente no que se refire á IA. Nota: Penpot busca probadores beta ansiosos por explorar, experimentar e axudar a mellorar o servidor MCP de Penpot. Para unirte, escribe a support@penpot.app coa liña de asunto "MCP beta test volunteer". Hai algo que pensas que os servidores Penpot MCP poderían facer que as ferramentas actuais non sexan capaces de facer o suficientemente ben, o suficientemente rápido ou non sexan capaces de facer nada? Podes aprender a configurar un servidor MCP de Penpot aquí mesmo e comezar a retocar hoxe mesmo, ou se o teu cerebro xa está cheo de ideas, Penpot quere que te unas á discusión, compartas os teus comentarios e fales dos teus casos de uso. Alternativamente, a sección de comentarios a continuación tampouco é un mal lugar para comezar.
