MCP Vision Server - 图像识别 MCP 服务器

提供图像分析能力的 MCP 服务器，支持图像识别、文字提取、多轮对话等功能。

特性

• 图像分析 - 支持各种图像内容识别与描述
• 多轮对话 - 基于图像的连续问答
• 灵活输入 - 支持本地文件路径和 Base64 编码
• OpenAI 兼容 - 使用 OpenAI 兼容 API，支持多种视觉模型
• 会话持久化 - 对话历史可持久化存储

安装

# 克隆仓库
git clone https://github.com/YOUR_USERNAME/mcp-vision-server.git
cd mcp-vision-server

# 创建虚拟环境
python -m venv venv
source venv/Scripts/activate  # Windows Git Bash

# 安装依赖
pip install -e .

配置

1. 复制环境变量模板：

cp .env.example .env

2. 编辑 .env 文件，填入您的 API 配置：

# 必填配置
VISION_API_KEY=your-api-key-here
VISION_BASE_URL=https://open.bigmodel.cn/api/paas/v4/
VISION_MODEL=glm-4v

使用方法

启动服务器

mcp-vision-server

或直接运行：

python -m mcp_vision.server

Web 配置工具

启动 Web 配置界面，支持热加载配置：

mcp-vision-config

或指定端口：

mcp-vision-config --host 127.0.0.1 --port 8080

访问 http://127.0.0.1:7860 即可打开配置界面。

功能特性：

• 📝 可视化编辑所有配置项
• 🔄 保存后自动热加载，无需重启服务
• 🔒 API Key 密码隐藏显示
• 📋 实时查看当前运行配置

MCP 工具

1. analyze_image - 图像分析

分析图像内容并返回详细描述。

# 基础用法
analyze_image(
    image="C:/path/to/image.png",
    prompt="详细描述这张图片"
)

# OCR 文字提取
analyze_image(
    image="C:/docs/scan.png",
    prompt="提取图片中的所有文字"
)

# 代码识别
analyze_image(
    image="C:/code/snippet.png",
    prompt="识别并转录图片中的代码，保持格式"
)

2. chat_vision - 两轮对话

基于图像进行两轮问答。

# 第一轮对话
result1 = chat_vision(
    image="C:/chart.png",
    question="这个图表显示什么数据？"
)
session_id = result1["session_id"]
# remaining_turns = 1, can_continue = True

# 第二轮对话（追问细节，对话结束后无法继续）
if result1["remaining_turns"] > 0:
    result2 = chat_vision(
        image="C:/chart.png",
        question="数据有什么趋势？",
        session_id=session_id
    )
    # remaining_turns = 0, can_continue = False

# 开始新对话
result3 = chat_vision(
    image="C:/another.png",
    question="描述这张图",
    is_new_conversation=True
)

3. get_status - 状态查询

获取服务器运行状态。

status = get_status()
# 返回: 服务器名称、模型信息、会话状态等

输入格式

支持两种图像输入格式：

1. 本地文件路径

image="C:/Users/name/Pictures/screenshot.png"
image="/home/user/images/photo.jpg"

2. Base64 编码

# 纯 Base64
image="iVBORw0KGgoAAAANSUhEUgAA..."

# Data URL 格式
image="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAA..."

环境变量

变量名	说明	默认值
VISION_API_KEY	API 密钥	-
VISION_BASE_URL	API 基础 URL	-
VISION_MODEL	模型名称	glm-4v
VISION_MAX_IMAGE_SIZE	最大图像大小（字节）	20971520 (20MB)
VISION_TIMEOUT	请求超时（秒）	120
VISION_TEMPERATURE	温度参数	0.7
VISION_MAX_TOKENS	最大输出 tokens	4096
VISION_LOG_LEVEL	日志级别	INFO
VISION_MAX_HISTORY	对话历史最大保存数	50
VISION_ENABLE_PERSISTENCE	启用持久化	true
VISION_HISTORY_PATH	历史文件路径	~/.mcp-vision/history.json

支持的图像格式

• PNG
• JPEG / JPG
• GIF
• WebP
• BMP
• TIFF

项目结构

mcp-vision-server/
├── src/mcp_vision/
│   ├── __init__.py           # 包初始化
│   ├── server.py             # MCP 服务器主文件
│   ├── config.py             # 配置管理
│   ├── vision_client.py      # 视觉 API 客户端
│   ├── image_processor.py    # 图像处理
│   ├── chat_manager.py       # 对话管理器
│   ├── web_config.py         # Web 配置工具
│   └── utils.py              # 工具函数
├── tests/
├── .env.example
├── pyproject.toml
└── README.md

在 Claude Code 中配置

编辑 Claude Code 配置文件，添加 MCP 服务器：

{
  "mcpServers": {
    "vision": {
      "command": "mcp-vision-server",
      "env": {
        "VISION_API_KEY": "your-api-key",
        "VISION_BASE_URL": "https://open.bigmodel.cn/api/paas/v4/",
        "VISION_MODEL": "glm-4v"
      }
    }
  }
}

许可证

MIT License