🔍 Vision MCP — 多模型视觉桥接

让 DeepSeek 等纯文本模型拥有「眼睛」，通过 MCP 协议桥接到 6 个免费多模态视觉 API。

🎯 解决的问题

Claude Code 使用 DeepSeek 等纯文本模型时，模型无法理解图片 —— 截图的报错、UI 设计稿、手绘架构图、文档扫描件统统「看不见」。

Vision MCP 是一个 MCP Server，自动检测图片请求，桥接到 6 个免费视觉模型，按优先级自动 Fallback，将图片转为文字描述后返回给主模型。

✨ 特性

特性	说明
🆓 完全免费	6 个 Provider 全部免费，零成本
🔄 6重Fallback	Gemini → 硅基 → 智谱 → 月之暗面 → 魔搭 → Intern-AI，自动切换
🇨🇳 国内友好	5/6 个 Provider 国内直连，无需代理
💾 智能缓存	SHA256 去重，避免重复分析同一张图，7天自动过期
🛠 7个专用工具	通用分析 / OCR / 对比 / 错误诊断 / 图表分析 / UI评估 / 状态检查
⚙️ 完全可配置	JSON 配置文件，按需启用/禁用 Provider，调整优先级
🚀 235B顶级模型	魔搭 Qwen3-VL-235B、InternVL3.5-241B 免费可用

🚀 快速开始

1. 克隆并安装

git clone https://github.com/YOUR_USERNAME/vision-mcp.git
cd vision-mcp
npm install

2. 获取免费 API Key（任选一个即可，推荐多个）

Provider	获取地址	免费额度
Google Gemini	https://aistudio.google.com/apikey	1500次/天
硅基流动	https://siliconflow.cn	注册送额度
智谱AI	https://open.bigmodel.cn	永久免费
月之暗面	https://platform.moonshot.cn	3次/分钟
魔搭	https://modelscope.cn	2000次/天
Intern-AI	https://chat.intern-ai.org.cn	10次/分钟

3. 配置 Claude Code

创建或编辑 ~/.mcp.json（或项目根目录 .mcp.json）：

{
  "mcpServers": {
    "vision-mcp": {
      "command": "node",
      "args": ["/path/to/vision-mcp/index.js"],
      "env": {
        "GEMINI_API_KEY": "AIza...",
        "SILICONFLOW_API_KEY": "sk-...",
        "ZHIPU_API_KEY": "xxx...",
        "MOONSHOT_API_KEY": "sk-...",
        "MODELSCOPE_API_KEY": "ms-...",
        "INTERN_AI_API_KEY": "sk-..."
      }
    }
  }
}

💡 只需配置你获取了 Key 的 Provider，未配置的会自动跳过。

4. 验证

在 Claude Code 中：

检查视觉服务状态

📖 使用示例

通用图片分析

分析这张截图: /path/to/screenshot.png
看看这张设计稿的布局和配色

OCR 文字提取

从这张图片提取文字，表格用Markdown输出: /path/to/scan.jpg

UI 对比（设计稿 vs 实现）

对比这两张截图，找出差异:
- 设计稿: /path/to/design.png
- 实现: /path/to/actual.png

错误诊断

诊断这个错误截图: /path/to/error.png
技术栈是 React + Next.js 14

图表分析

分析这个架构图的组件关系和潜在问题: /path/to/architecture.png

批量分析（多张截图）

分析这个文件夹下的所有截图，输出功能和设计报告:
/path/to/screenshots/

🏗 支持的 Provider

#	Provider	模型	参数	国内	状态
1	Google Gemini	gemini-2.5-flash	—	需代理	✅
2	硅基流动	Qwen3-VL-32B-Instruct	32B	✅	✅
3	智谱AI	GLM-4V-Flash	—	✅	✅
4	月之暗面	moonshot-v1-8k-vision	—	✅	✅
5	魔搭	Qwen3-VL-235B-A22B	235B	✅	✅
6	Intern-AI	InternVL3.5-241B	241B	✅	✅

Fallback 优先级：Gemini → 硅基流动 → 智谱 → 月之暗面 → 魔搭 → Intern-AI

⚙️ 自定义配置

编辑 config.json：

{
  "providers": {
    "gemini": {
      "enabled": true,           // 开关
      "model": "gemini-2.5-flash",
      "priority": 1              // 越小越优先
    },
    "siliconflow": {
      "enabled": true,
      "model": "Qwen/Qwen3-VL-32B-Instruct",
      "baseURL": "https://api.siliconflow.cn/v1",
      "priority": 2
    }
    // ... 其他 Provider
  },
  "cache": {
    "enabled": true,
    "ttlDays": 7                 // 缓存7天
  },
  "tools": {
    "analyze_image": { "enabled": true, "maxSizeMB": 20 },
    "ocr_text": { "enabled": true, "maxSizeMB": 20 }
    // 按需开关工具
  }
}

📁 项目结构

vision-mcp/
├── index.js              # MCP Server 主程序
├── config.json           # Provider 和工具配置
├── SKILL.md              # Claude Code Skill 定义
├── README.md             # 本文档
├── package.json          # Node 依赖
└── .vision-mcp-cache/    # 图片分析缓存（自动创建）

🛠 可用工具

工具	用途
analyze_image	通用图片分析 — 截图、照片、设计稿
compare_images	两张图对比 — UI回归、设计稿vs实现
ocr_text	文字提取 — 扫描件、表格、手写笔记
diagnose_error	错误诊断 — 报错截图、堆栈分析
analyze_diagram	图表分析 — 架构图、流程图、UML
analyze_ui	UI评估 — 界面设计、可用性、可访问性
check_vision	状态检查 — 查看可用 Provider

🔧 环境变量

变量	Provider
GEMINI_API_KEY	Google Gemini
SILICONFLOW_API_KEY	硅基流动
ZHIPU_API_KEY	智谱AI
MOONSHOT_API_KEY	月之暗面
MODELSCOPE_API_KEY	魔搭 ModelScope
INTERN_AI_API_KEY	Intern-AI（书生）
OPENAI_API_KEY	OpenAI（付费）
DASHSCOPE_API_KEY	阿里百炼（付费）
CUSTOM_VISION_KEY / CUSTOM_VISION_MODEL / CUSTOM_VISION_BASE_URL	自定义 API
VISION_DEBUG	开启调试日志

❓ FAQ

Q: 为什么不用 LiteLLM / OpenRouter？ A: 它们是网关，本身不提供视觉能力。直接对接原生 API 更稳定、延迟更低。

Q: 图片大小限制？ A: 默认 20MB，可在 config.json 中按工具调整。

Q: 缓存机制？ A: 基于 图片路径 + 问题 的 SHA256 哈希，默认 7 天 TTL。相同图片+相同问题直接返回缓存。

Q: 怎么知道用的是哪个 Provider？ A: 使用 check_vision 查看。每次分析结果底部也有耗时和版本信息。

Q: 支持 URL / 剪贴板吗？ A: 当前支持本地文件路径和 Data URL。HTTP URL 建议先下载到本地。

Q: 能添加自己的 API 吗？ A: 可以。在 config.json 的 custom provider 中配置任意 OpenAI 兼容 API。

📄 License

MIT