Ta članek sponzorira Penpot Predstavljajte si, da vaša datoteka Penpot poleg samega dizajna vsebuje celoten nabor ikon, ki uporablja nekatere, a ne vse te ikone. Če bi zahtevali AI, kot sta Claude ali Gemini, da izvozi samo ikone, ki se uporabljajo, tega ne bi mogel storiti. Ne more komunicirati z datotekami Penpot. Strežnik Penpot MCP pa lahko. Izvaja lahko ročno izbrano število operacij pod nastavljenimi pravili in dovoljenji, zlasti ker ima Penpot obsežen API in še toliko bolj, ker je odprtokoden. Naloga umetne inteligence je preprosto razumeti vašo namero, izbrati pravo operacijo za strežnik MCP (v tem primeru izvoz) in posredovati morebitne parametre (tj. ikone, ki se uporabljajo). Strežnik MCP to nato prevede v strukturirano zahtevo API in jo izvede. Pomagalo bi si zamisliti AI kot strežnik v restavraciji, ki sprejme vaše naročilo, strežnik MCP kot meni in kuharja ter zahtevo API kot (upajmo) vročo pico s pico na toplem krožniku. Zakaj točno strežniki MCP? No, Penpot ne more razumeti vaše namere, ker ni LLM, niti LLM-jem tretjih oseb ne dovoljuje interakcije z vašimi datotekami Penpot zaradi varnosti in zasebnosti vaših podatkov Penpot. Čeprav strežniki Penpot MCP delujejo kot varen most, prevajajo namere AI v zahteve API z uporabo vaših datotek in podatkov Penpot kot konteksta. Kar je še bolje, ker Penpot uporablja pristop oblikovanja, izraženega kot koda, je mogoče načrte programsko ustvariti, urejati in analizirati na podrobni ravni. Je bolj kontekstualen, bolj specifičen in zato zmogljivejši v primerjavi s tem, kar ponujajo drugi strežniki MCP, in veliko bolj premišljen kot podparalni potek dela AI »Opiši → Ustvari«, za katerega mislim, da si nihče ne želi. Penpotova bela knjiga o umetni inteligenci to opisuje kot slab pristop in pristop »Pretvori v kodo« kot grd pristop, medtem ko so strežniki MCP bolj izpopolnjeni in prilagodljivi. Značilnosti in tehnične podrobnosti Preden preidemo na primere uporabe, je tukaj nekaj funkcij in tehničnih podrobnosti, ki dodatno pojasnjujejo delovanje strežnikov Penpot MCP:
Ustreza standardom MCP; Integrira se z API-jem Penpot za načrtovalne podatke v realnem času; Vključuje Python SDK, REST API, sistem vtičnikov in orodja CLI; Deluje s katerim koli pomočnikom AI, ki podpira MCP (Claude v VS Code, Claude v Cursorju, Claude Desktop itd.); Podpira skupno rabo konteksta oblikovanja z modeli AI in jim omogoča, da vidijo in razumejo komponente; Omogoča komunikacijo s Penpotom z uporabo naravnega jezika.
Kaj bi nam torej strežniki MCP lahko omogočili v Penpotu in kaj so dosedanji poskusi že dosegli? Poglejmo si. Primeri uporabe strežnika Penpot MCP Če želite le preskočiti na tisto, kar zmorejo strežniki Penpot MCP, ima Penpot v Google Drive shranjenih nekaj predstavitev MCP, ki so več kot vredne ogleda. Generalni direktor podjetja Penpot Pablo Ruiz-Múzquiz je omenil, da so videoposnetki 03, 04, 06, 08 in 12 njihovi najljubši. Še hitrejši način za povzetek strežnikov MCP je ogled razkritja s Penpot Fest 2025. Sicer pa si poglejmo nekaj bolj izpopolnjenih primerkov, ki jih je Penpot pokazal v svoji javni predstavitvi. Design-to-Code in spet nazaj (in še več) Če nadaljujem s tem, kar sem prej govoril o tem, kako so zasnove Penpot izražene kot koda, to pomeni, da je mogoče strežnike MCP uporabiti za pretvorbo zasnove v kodo z uporabo umetne inteligence, pa tudi kodo za oblikovanje, zasnovo v dokumentacijo, dokumentacijo za načrtovanje elementov sistema, zasnovo v kodo znova na podlagi omenjenega sistema zasnove in nato popolnoma nove komponente, ki temeljijo na omenjenem sistemu za zasnovo. Sliši se nadrealistično, toda spodnja predstavitev prikazuje to spremenljivost in ne izhaja iz nejasnih navodil, temveč prejšnjih izbir oblikovanja, ne glede na to, kako so bile izražene (zasnova, koda ali dokumentacija). Ni presenečenj - to so preprosto odločitve, ki bi jih tako ali tako sprejeli na podlagi prejšnjih odločitev, ki bi bile hitro izvedene. V predstavitvi Juan de la Cruz García, oblikovalec pri Penpotu, brez trenja spremeni nekatere preproste komponente v dokumentacijo, elemente sistemov oblikovanja, kodo, nove komponente in celo celoten projekt Storybook, kot je kos Play-Doh: Oblikovanje v kodo, validacija načrta/kode in preproste operacije V podobni predstavitvi spodaj Dominik Jain, soustanovitelj pri Oraios AI, ustvari spletno aplikacijo Node.js, ki temelji na zasnovi, preden posodobi sloge čelnega vmesnika, shrani imena in identifikatorje v pomnilnik, da zagotovi gladko prevajanje načrta v kodo, preden preveri skladnost, dodakomentirajte poleg izbrane oblike v Penpotu in nato zamenjajte čečkanje v Penpotu s prilagojeno komponento. Tukaj se veliko dogaja, vendar lahko natančno vidite, kaj Dominik vnaša v Claude Desktop, kot tudi Claudeove odgovore, in to je zelo robustno: Mimogrede, prejšnji demo je uporabil Clauda v kodi VS, zato moram opozoriti, da so strežniki Penpot MCP neodvisni od LLM. Vaš tehnološki sklop je v celoti odvisen od vas. IvanTheGeek je uspel nastaviti svoj MCP strežnik z JetBrains Rider IDE in Junie AI. Več primerov uporabe Prevedite ploščo Penpot v semantični HTML in modularni CSS, ki je pripravljen za proizvodnjo, pri tem pa uporabite vse oblikovalske žetone Penpot (ne pozabite, da so dizajni Penpot že izraženi kot koda, zato to ni strel v prazno): Ustvarite interaktivni spletni prototip, ne da bi spremenili obstoječi HTML: Kot je bilo prikazano prej, pretvorite čečkanje v komponento, pri čemer uporabite obstoječo zasnovo in/ali elemente sistema zasnove: Ustvarite sistemsko dokumentacijo načrtovanja iz datoteke Penpot: In tukaj je še nekaj primerov uporabe Penpota in skupnosti:
Napredni izvozi, Iskanje oblikovalskih elementov z uporabo naravnega jezika, Potegnite podatke iz zunanjih API-jev z uporabo naravnega jezika, Enostavno povežite Penpot z drugimi zunanjimi orodji, Shranjevanje ponavljajočih se opravil v pomnilnik in njihovo izvajanje, Vizualno regresijsko testiranje, Konsistentnost načrtovanja in preverjanje redundance, Analiza dostopnosti in uporabnosti ter povratne informacije, Preverjanje skladnosti načrtovalnega sistema, Preverjanje skladnosti s smernicami (blagovna znamka, vsebina itd.), Spremljajte sprejemanje in uporabo z analitiko oblikovanja, Samodejno uskladite dokumentacijo z zasnovo, Oblikovanje organizacije datotek (npr. označevanje/kategorizacija).
V bistvu strežniki Penpot MCP vodijo do neskončnega števila delovnih tokov zahvaljujoč učinkovitosti in enostavnosti vašega izbranega LLM/LLM odjemalca, vendar brez izpostavljanja vaših podatkov. Za kaj bi uporabili strežnike MCP? Strežniki Penpot MCP še niso v fazi beta, ampak gre za aktiven eksperiment, katerega del lahko sodelujete. Uporabniki Penpota so že začeli raziskovati primere uporabe za strežnike MCP, vendar Penpot želi videti več. Da bi zagotovili, da naslednja generacija oblikovalskih orodij ustreza potrebam oblikovalcev, razvijalcev in proizvodnih skupin na splošno, jih je treba zgraditi skupaj in s sodelovanjem, zlasti kar zadeva umetno inteligenco. Opomba: Penpot išče beta preizkuševalce, ki želijo raziskovati, eksperimentirati in pomagati izboljšati Penpotov strežnik MCP. Če se želite pridružiti, pišite na support@penpot.app z zadevo »Prostovoljec za testiranje beta MCP«. Ali menite, da bi lahko strežniki Penpot MCP naredili kaj, česar trenutna orodja ne zmorejo dovolj dobro, dovolj hitro ali sploh ne zmorejo? Tukaj se lahko naučite, kako nastaviti strežnik Penpot MCP in začnete brskati še danes, ali če vaši možgani že brenčijo od idej, Penpot želi, da se pridružite razpravi, delite povratne informacije in spregovorite o svojih primerih uporabe. Druga možnost je, da spodnji razdelek za komentarje ni slab kraj za začetek!
