架构图常见的困境是,刚画完就随着代码变化而显得过时。手工绘制耗时,后续更新也往往缺少动力。开发者社区 Dev.to 上的一篇教程展示了一种自动化路径:通过 MCP 将 Claude Code 接入 DrawlyHub,让 AI 直接读取代码仓库,并生成一个可分享的架构板。按照素材说法,从已经打开的代码出发,大约一分钟可以得到一份初稿。
这种输出不是一张生成后就不再变化的图片。教程称,服务会显示为方块,请求路径和数据存储通过带标签的连接线接入,整个内容放置在一个可平移、缩放和拖拽的画框中。最终结果是一个带 URL 的 DrawlyHub 画板,团队可以继续编辑,而不是把图片留在聊天记录里。
通过 MCP 连接 DrawlyHub,让 Agent 调用真实工具
这套流程的关键是 MCP。素材介绍,MCP 是一个标准,允许 AI 客户端发现工具能力,并在用户授权后调用这些能力。因此,Claude Code 不是只输出一段图表语法,而是可以调用真实工具,例如创建画板。
接入 DrawlyHub 的方式是将其添加为 MCP 服务器。素材给出的命令为:
claude mcp add --transport http drawlyhub https://drawlyhub.com/mcp
DrawlyHub 的个人主页会显示与账户对应的准确命令,用户可以复制而不是手动输入。完成添加后,在 Claude Code 中运行 /mcp 并选择 drawlyhub,浏览器会打开 DrawlyHub 的授权同意页。用户登录并选择 Allow 后,连接完成。
素材强调,授权同意页就是整套安全模型的核心。也就是说,Claude Code 调用 DrawlyHub 工具前,需要用户明确允许。对于 AI 编程工具从生成文本走向执行操作,这类授权步骤是使用前需要理解的一部分。
一句自然语言提示,生成仓库架构板
完成连接后,用户打开项目并输入一句自然语言:
Build a DrawlyHub board that documents this repository.
随后,Claude Code 会读取它已经有权限访问的代码,包括入口、服务和数据层,并将这些内容组织成一份完整的画板文档。素材解释了这一句话背后可能发生的步骤:
describe_format():学习 DrawlyHub 画板的结构定义。- Agent 读取仓库,并将整体内容组合成一个画板文档。
validate_board(document=board):进行干跑校验,尽量在创建前发现悬空连接等问题。create_board(document=board):创建画板,并返回画板 URL。
按照素材描述,几秒后 Claude Code 会返回一个 URL。打开链接后,方块和连接线已经出现在画板上,用户可以在画框中移动视图。连接线引用方块 ID,因此后续移动方块时,连接线仍会保持附着。这一点为后续手动调整提供了基础。
生成只是起点:可修改、可回滚
与一段静态图表代码相比,DrawlyHub 画板的后续编辑能力是教程重点之一。素材举例,用户可以在初稿基础上继续提出修改,例如在 API 和数据库之间增加 Redis 缓存,并为 worker 增加一个队列。
这类修改会使用 regenerate_board。该操作会先保存一个版本,因此用户可以回滚。对于架构图这种经常需要讨论和修改的产物,版本机制降低了试错成本。用户也可以混合使用两种方式:让 Agent 完成大部分布局,再手动调整少数放置不准确的方块。
教程建议,提示可以从整体开始,再逐步收窄。也就是先让模型生成完整结构,再围绕具体组件提出调整。教程将其定位为一份可编辑的起点,而不是一次完成的最终图。
对工程文档与 AI 编程工具链的意义
这一流程的价值在于,它把架构图从聊天窗口中的临时片段,变成了一个存在于 URL 上、可由团队继续编辑的共享工件。素材强调,该工件来自磁盘上的代码,而不是仅停留在对话记录中。
从 AI 编程工具的发展看,这类实践也让 Agent 的工作范围从阅读代码、生成文本,延伸到调用外部工具并生成可视化资产。MCP 提供了工具发现与授权调用的连接方式,DrawlyHub 提供画板承载,Claude Code 负责读取仓库并组织内容。三者组合后,架构图生成从手工绘制变成了可以反复执行的自动化流程。
不过,最终画板仍需要人工审校和编辑。AI 生成初稿可以减少重复劳动,但服务边界是否准确、连接关系是否完整,仍取决于代码结构和模型理解。对于团队来说,这类工具更适合进入“生成、评审、修改”的协作流程,而不是替代人工架构整理。
原创文章,作者:点点,如若转载,请注明出处:https://www.dian8dian.com/claude-code-jie-ru-drawlyhub-ba-dai-ma-cang-ku-bian-cheng