<div align="center">
# 🎨 Lanhu MCP Server | 蓝湖MCP服务器
**让所有 AI 助手共享团队知识，打破 AI IDE 孤岛**
**lanhumcp | 蓝湖mcp | lanhu-mcp | 蓝湖AI助手 | Lanhu AI Integration**
[](https://opensource.org/licenses/MIT)
[](https://www.python.org/downloads/)
[](https://modelcontextprotocol.io/)
[](https://github.com/jlowin/fastmcp)
[](CONTRIBUTING.md)
[](https://github.com/dsphper/lanhu-mcp/stargazers)
[](https://github.com/dsphper/lanhu-mcp/issues)
[](https://github.com/dsphper/lanhu-mcp/releases)
[](CODE_OF_CONDUCT.md)
[English](README_EN.md) | 简体中文
[快速开始](#-快速开始) • [功能特性](#-核心特性) • [使用文档](#-使用指南) • [贡献指南](CONTRIBUTING.md)
</div>
---
## 🌟 项目亮点
一个功能强大的 [Model Context Protocol (MCP)](https://modelcontextprotocol.io/) 服务器，专为 AI 编程时代设计，完美支持蓝湖（Lanhu）设计协作平台。
🔥 **核心创新**：
- 📋 **智能需求分析**：自动提取 Axure 原型，三种分析模式（开发/测试/探索），需求分析准确率>95%
- 💬 **团队知识库**：打破 AI IDE 孤岛，让所有 AI 助手共享知识库和上下文
- 🎨 **UI设计支持**：自动下载设计稿，智能提取切图，语义化命名
- ⚡ **性能优化**：基于版本号的智能缓存，增量更新，并发处理
🎯 **适用场景**：
- ✅ Cursor + 蓝湖：让 Cursor AI 直接读取蓝湖需求文档和设计稿
- ✅ Windsurf + 蓝湖：Windsurf Cascade AI 直接读取蓝湖需求文档和设计稿
- ✅ Claude Code + 蓝湖：Claude AI 直接读取蓝湖需求文档和设计稿
- ✅ Trae + 蓝湖：Trae AI 直接读取蓝湖需求文档和设计稿
- ✅ 通义灵码 + 蓝湖：通义灵码 AI 直接读取蓝湖需求文档和设计稿
- ✅ Cline + 蓝湖：Cline AI 直接读取蓝湖需求文档和设计稿
- ✅ 任何支持 MCP 协议的 AI 开发工具
🎯 **解决痛点**：
- ❌ **旧世界**：每个开发者的 AI 独立工作，重复分析需求，无法共享经验
- ✅ **新世界**：所有 AI 连接同一知识中枢，需求分析一次、全员复用，踩坑经验永久保存
---
## 📑 目录
- [核心特性](#-核心特性)
- [快速开始](#-快速开始)
- [团队留言板：突破 AI 协作的最后一公里](#-团队留言板突破-ai-协作的最后一公里)
- [使用指南](#-使用指南)
- [可用工具列表](#-可用工具列表)
- [系统架构](#-系统架构)
- [项目结构](#-项目结构)
- [高级配置](#-高级配置)
- [性能指标](#-性能指标)
- [常见问题](#-常见问题)
- [安全说明](#-安全说明)
- [贡献指南](#-贡献指南)
- [许可证](#-许可证)
- [致谢](#-致谢)
- [联系方式](#-联系方式)
- [路线图](#-路线图)
---
## ✨ 核心特性
### 📋 需求文档分析
- **智能文档提取**：自动下载和解析 Axure 原型的所有页面、资源和交互
- **三种分析模式**：
- 🔧 **开发视角**：详细字段规则、业务逻辑、全局流程图
- 🧪 **测试视角**：测试场景、用例、边界值、校验规则
- 🚀 **快速探索**：核心功能概览、模块依赖、评审要点
- **四阶段工作流**：全局扫描 → 分组分析 → 反向验证 → 生成交付物
- **零遗漏保证**：基于 TODO 驱动的系统化分析流程
### 🎨 UI设计支持
- **设计稿查看**：批量下载和展示 UI 设计图
- **切图提取**：自动识别和导出设计切图、图标资源
- **智能命名**：基于图层路径自动生成语义化文件名
### 💬 团队协作留言板 - 打破 AI IDE 孤岛
> 🌟 **核心创新**：让每个开发者的 AI 助手都能共享团队知识和上下文
**问题背景**：
- 每个开发者的 AI IDE（Cursor、Windsurf）是独立的，无法共享上下文
- A 开发遇到的坑，B 开发的 AI 不知道
- 需求分析结果无法传递给测试同学的 AI
- 团队知识碎片化在各个聊天窗口，无法沉淀
**创新解决方案**：
- 🔗 **统一知识库**：所有 AI 助手连接同一个 MCP 服务器，共享留言板数据
- 🧠 **上下文传递**：开发 AI 分析的需求，测试 AI 可以直接查询使用
- 💡 **知识沉淀**：坑点、经验、最佳实践以"知识库"类型永久保存
- 📋 **任务协作**：通过"任务"类型留言，让 AI 帮忙查询代码、数据库
- 📨 **@提醒机制**：支持飞书通知，打通 AI 协作与人工沟通
- 👥 **协作追踪**：自动记录谁的 AI 访问过哪些文档，团队透明
### ⚡ 性能优化
- **智能缓存**：基于文档版本号的永久缓存机制
- **增量更新**：只下载变更的资源
- **并发处理**：支持批量页面截图和资源下载
## 🚀 快速开始
> ⚠️ **重要提示：必须使用支持视觉功能的AI模型！**
>
> 本项目需要AI模型具备**图像识别和分析能力**，推荐使用以下2025年主流视觉模型：
> - 🤖 **Claude** (Anthropic)
> - 🌟 **GPT** (OpenAI)
> - 💎 **Gemini** (Google)
> - 🚀 **Kimi** (月之暗面)
> - 🎯 **Qwen** (阿里巴巴)
> - 🧠 **DeepSeek** (深度求索)
>
> 不支持纯文本模型（如 GPT-3.5、Claude Instant 等）
---
> 💡 **小白用户？** 直接对 AI 说 "帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"，AI 会引导你完成所有步骤！
### 方式一：让 AI 帮你安装（推荐）
直接在 Cursor 中对 AI 说：
```
"帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"
```
AI 会自动完成：克隆项目 → 安装依赖 → 引导获取 Cookie → 配置并启动服务
📖 参考文档：[AI 安装指南](ai-install-guide.md) • [Cookie 获取教程](GET-COOKIE-TUTORIAL.md)
---
### 方式二：手动安装
**2.1 Docker 部署（推荐）**
优点：环境隔离、一键部署、易于管理
```bash
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 配置环境（会引导你输入 Cookie）
bash setup-env.sh # Linux/Mac
# 或
setup-env.bat # Windows
# 3. 启动服务
docker-compose up -d
```
> 💡 `setup-env.sh` 会交互式引导你获取并配置蓝湖 Cookie，自动生成 `.env` 文件
📖 详细文档：[Docker 部署指南](DEPLOY.md)
**2.2 源码运行**
前置要求：Python 3.10+
```bash
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 一键安装（推荐，会引导你配置 Cookie）
bash easy-install.sh # Linux/Mac
# 或
easy-install.bat # Windows
```
> 💡 `easy-install.sh` 会自动安装依赖、引导获取 Cookie 并配置环境
<details>
<summary>或者手动安装（不推荐）</summary>
```bash
# 安装依赖
pip install -r requirements.txt
playwright install chromium
# 手动配置（见下方"配置"部分）
```
</details>
### 配置（源码运行需要）
1. **设置蓝湖 Cookie**（必需）
```bash
export LANHU_COOKIE="your_lanhu_cookie_here"
```
> 💡 获取 Cookie：登录蓝湖网页版，打开浏览器开发者工具，从请求头中复制 Cookie
2. **配置飞书机器人**（可选）
**方式一：环境变量（推荐，支持 Docker）**
```bash
export FEISHU_WEBHOOK_URL="https://open.feishu.cn/open-apis/bot/v2/hook/your-webhook-url"
```
**方式二：修改代码**
在 `lanhu_mcp_server.py` 中修改：
```python
DEFAULT_FEISHU_WEBHOOK = "https://open.feishu.cn/open-apis/bot/v2/hook/your-webhook-url"
```
3. **配置用户信息映射**（可选）
更新 `FEISHU_USER_ID_MAP` 字典以支持 @提醒功能。
4. **其他环境变量**（可选）
```bash
# 服务器配置
export SERVER_HOST="0.0.0.0" # 服务器监听地址
export SERVER_PORT=8000 # 服务器端口
# 数据存储
export DATA_DIR="./data" # 数据存储目录
# 性能调优
export HTTP_TIMEOUT=30 # HTTP请求超时时间（秒）
export VIEWPORT_WIDTH=1920 # 浏览器视口宽度
export VIEWPORT_HEIGHT=1080 # 浏览器视口高度
# 调试选项
export DEBUG="false" # 调试模式（true/false）
```
> 📝 完整环境变量说明请参考 `config.example.env` 文件
### 运行服务
**源码运行：**
```bash
python lanhu_mcp_server.py
```
**Docker 运行：**
```bash
docker-compose up -d # 启动
docker-compose logs -f # 查看日志
docker-compose down # 停止
```
服务器将在 `http://localhost:8000/mcp` 启动
### 连接到 AI 客户端
在支持 MCP 的 AI 客户端（如 Claude Code、Cursor、Windsurf）中配置：
**Cursor 配置示例：**
```json
{
"mcpServers": {
"lanhu": {
"url": "http://localhost:8000/mcp?role=test&name=123"
}
}
}
```
> 📌 URL 参数说明：
> - `role`: 用户角色（后端/前端/测试/产品等）
> - `name`: 用户姓名（用于协作追踪和 @提醒）
## 🎯 团队留言板：突破 AI 协作的最后一公里
### 为什么需要团队留言板？
在 AI 编程时代，每个开发者都有自己的 AI 助手（Cursor、Windsurf、Claude Code）。但这带来了一个**严重的问题**：
```
🤔 痛点场景：
┌─────────────────────────────────────────────┐
│ 后端小王的 AI： │
│ "我已经分析完登录接口的需求，字段校验规则 │
│ 都很清楚了，开始写代码..." │
└─────────────────────────────────────────────┘
❌ 上下文断层
┌─────────────────────────────────────────────┐
│ 测试小李的 AI： │
│ "什么？登录接口？让我重新看一遍需求文档... │
│ 这些字段规则是什么意思？边界值怎么测？" │
└─────────────────────────────────────────────┘
```
**每个 AI 都在重复工作，无法复用其他 AI 的分析成果！**
### 团队留言板如何解决？
**设计理念：让所有 AI 助手连接同一个"大脑"**
```
┌─────────────────────────────┐
│ Lanhu MCP Server │
│ (统一知识中枢) │
│ │
│ 📊 需求分析结果 │
│ 🐛 开发踩坑记录 │
│ 📋 测试用例模板 │
│ 💡 技术决策文档 │
└──────────┬──────────────────┘
│
┌────────────┼────────────┐
│ │ │
┌────▼───┐ ┌───▼────┐ ┌──▼─────┐
│后端 AI │ │前端 AI │ │测试 AI │
│(小王) │ │(小张) │ │(小李) │
└────────┘ └────────┘ └────────┘
Cursor Windsurf Claude
```
### 核心使用场景
#### 场景 1：需求分析结果共享
**后端 AI（小王）分析完需求后：**
```
@测试小李 @前端小张 我已经分析完"用户登录"需求，关键信息：
- 手机号必填，11位数字
- 密码6-20位，必须包含字母+数字
- 验证码4位纯数字，5分钟有效
- 错误3次锁定30分钟
[消息类型：knowledge]
```
**测试 AI（小李）查询时：**
```
AI: 查询所有关于"登录"的知识库消息
→ 立即获取小王 AI 的分析结果，无需重新看需求！
```
#### 场景 2：开发踩坑记录
**后端 AI（小王）遇到坑：**
```
【知识库】Redis连接超时问题已解决
问题：生产环境 Redis 频繁超时
原因：连接池配置不当，maxIdle 设置过小
解决：调整为 maxTotal=20, maxIdle=10
[消息类型：knowledge]
```
**其他开发 AI 遇到相同问题：**
```
AI: 搜索"Redis 超时"相关的知识库
→ 找到解决方案，避免重复踩坑！
```
#### 场景 3：跨角色任务协作
**产品 AI 发起查询任务：**
```
@后端小王 请帮我查一下数据库中 user 表有多少条测试数据？
[消息类型：task] // ⚠️ 安全限制：只能查询，不能修改
```
**后端 AI（小王）看到通知：**
```
AI: 有人 @我了，查看详情
→ 执行 SELECT COUNT(*) FROM user WHERE status='test'
→ 回复留言：共有 1234 条测试数据
```
#### 场景 4：紧急问题广播
**运维 AI 发现生产问题：**
```
🚨 紧急：生产环境支付接口异常，请立即排查！
时间：2025-01-15 14:30
现象：支付成功率从 99% 降至 60%
影响：约 200 笔订单受影响
@所有人
[消息类型：urgent]
→ 自动发送飞书通知给所有人
```
### 消息类型设计
| 类型 | 用途 | 搜索策略 | 生命周期 |
|------|------|----------|----------|
| 📢 **normal** | 普通通知 | 按时间衰减 | 7天后归档 |
| 📋 **task** | 查询任务（安全限制：只读） | 完成后归档 | 任务生命周期 |
| ❓ **question** | 需要回答的问题 | 未回答置顶 | 解答后归档 |
| 🚨 **urgent** | 紧急通知 | 强制推送 | 24小时后降级 |
| 💡 **knowledge** | **知识库（核心）** | **永久可搜索** | **永久保存** |
### 安全机制
**任务类型（task）的安全限制：**
```python
✅ 允许的查询操作：
- 查询代码位置、代码逻辑
- 查询数据库表结构、数据
- 查询测试方法、覆盖率
- 查询 TODO、注释
❌ 禁止的危险操作：
- 修改代码
- 删除文件
- 执行命令
- 提交代码
```
### 搜索和过滤
**智能搜索（防止上下文溢出）：**
```python
# 场景 1：查询所有测试相关的知识库
lanhu_say_list(
url='all', # 全局搜索
filter_type='knowledge',
search_regex='测试|test|单元测试',
limit=20
)
# 场景 2：查询某个项目的紧急消息
lanhu_say_list(
url='项目URL',
filter_type='urgent',
limit=10
)
# 场景 3：查找未解决的问题
lanhu_say_list(
url='all',
filter_type='question',
search_regex='待解决|pending'
)
```
### 协作者追踪
**自动记录团队成员访问历史：**
```python
lanhu_get_members(url='项目URL')
返回结果：
{
"collaborators": [
{
"name": "小王",
"role": "后端",
"first_seen": "2025-01-10 09:00:00",
"last_seen": "2025-01-15 16:30:00"
},
{
"name": "小李",
"role": "测试",
"first_seen": "2025-01-12 10:00:00",
"last_seen": "2025-01-15 14:00:00"
}
]
}
💡 用途：
- 了解哪些同事的 AI 看过这个需求
- 发现潜在的协作伙伴
- 团队透明化
```
### 飞书通知集成
**打通 AI 协作与人工沟通：**
```python
# AI 自动发送飞书通知（当 @某人时）
lanhu_say(
url='项目URL',
summary='需要你帮忙review代码',
content='登录模块的密码加密逻辑，麻烦看一下',
mentions=['小王', '小张'] # 必须是真实姓名
)
# 飞书群收到：
┌──────────────────────────────────┐
│ 📢 蓝湖协作通知 │
│ │
│ 👤 发布者：小李（测试） │
│ 📨 提醒：@小王 @小张 │
│ 🏷️ 类型：normal │
│ 📁 项目：用户中心改版 │
│ 📄 文档：登录注册模块 │
│ │
│ 📝 内容： │
│ 登录模块的密码加密逻辑，麻烦看一下 │
│ │
│ 🔗 查看需求文档 │
└──────────────────────────────────┘
```
### 技术优势
1. **零学习成本**：AI 自动处理，开发者只需自然对话
2. **实时同步**：所有 AI 助手连接同一数据源
3. **全局搜索**：跨项目查询知识库
4. **版本关联**：留言自动关联文档版本号
5. **元数据完整**：自动记录项目、文档、作者等10个标准字段
6. **智能过滤**：支持正则搜索、类型筛选、数量限制（防止 token 溢出）
---
## 📖 使用指南
### 需求文档分析工作流
**1. 获取页面列表**
```
请帮我看看这个需求文档：
https://lanhuapp.com/web/#/item/project/product?tid=xxx&pid=xxx&docId=xxx
```
**2. AI 自动执行四阶段分析**
- ✅ STAGE 1: 全局文本扫描，建立整体认知
- ✅ STAGE 2: 分组详细分析（根据选择的模式）
- ✅ STAGE 3: 反向验证，确保零遗漏
- ✅ STAGE 4: 生成交付文档（需求文档/测试计划/评审PPT）
**3. 获取交付物**
- 开发视角：详细需求文档 + 全局业务流程图
- 测试视角：测试计划 + 测试用例清单 + 字段校验表
- 快速探索：评审文档 + 模块依赖图 + 讨论要点
### UI 设计稿查看
```
请帮我看看这个设计稿：
https://lanhuapp.com/web/#/item/project/stage?tid=xxx&pid=xxx
```
### 切图下载
```
帮我下载"首页设计"的所有切图
```
AI 会自动：
1. 检测项目类型（React/Vue/Flutter 等）
2. 选择合适的输出目录
3. 生成语义化文件名
4. 批量下载切图
### 团队留言
**发布留言：**
```
@张三 @李四 这个登录页面的密码校验规则需要确认一下
```
**查看留言：**
```
查看所有 @我的消息
```
**筛选查询：**
```
查看所有关于"测试"的知识库类型留言
```
## 🛠️ 可用工具列表
| 工具名称 | 功能描述 | 使用场景 |
|---------|---------|---------|
| `lanhu_resolve_invite_link` | 解析邀请链接 | 用户提供分享链接时 |
| `lanhu_get_pages` | 获取原型页面列表 | 分析需求文档前必调用 |
| `lanhu_get_ai_analyze_page_result` | 分析原型页面内容 | 提取需求细节 |
| `lanhu_get_designs` | 获取UI设计图列表 | 查看设计稿前必调用 |
| `lanhu_get_ai_analyze_design_result` | 分析UI设计图 | 查看设计稿 |
| `lanhu_get_design_slices` | 获取切图信息 | 下载图标、素材 |
| `lanhu_say` | 发布留言 | 团队协作、@提醒 |
| `lanhu_say_list` | 查看留言列表 | 查询历史消息 |
| `lanhu_say_detail` | 查看留言详情 | 查看完整内容 |
| `lanhu_say_edit` | 编辑留言 | 修改已发布消息 |
| `lanhu_say_delete` | 删除留言 | 移除消息 |
| `lanhu_get_members` | 查看协作者 | 查看团队成员 |
## 🏗️ 系统架构
```
┌─────────────────────────────────────────────────────────────────┐
│ AI 客户端层 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Cursor │ │ Windsurf │ │ Claude │ │ ... │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
│ │ │ │ │ │
│ └─────────────┴──────────────┴─────────────┘ │
└───────────────────────────┬─────────────────────────────────────┘
│ MCP Protocol (HTTP)
│
┌───────────────────────────▼─────────────────────────────────────┐
│ Lanhu MCP Server │
│ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ FastMCP 服务框架 │ │
│ │ ┌──────────┐ ┌──────────┐ ┌───────────────────┐ │ │
│ │ │ Tool API │ │ Resource │ │ Context Provider │ │ │
│ │ └────┬─────┘ └────┬─────┘ └─────────┬─────────┘ │ │
│ └───────┼─────────────┼──────────────────┼─────────────┘ │
│ │ │ │ │
│ ┌───────▼─────────────▼──────────────────▼─────────────┐ │
│ │ 核心业务逻辑层 │ │
│ │ │ │
│ │ ┌─────────────────┐ ┌──────────────────────────┐ │ │
│ │ │ 需求文档分析 │ │ 团队协作留言板 │ │ │
│ │ │ │ │ │ │ │
│ │ │ • 页面提取 │ │ • 消息存储管理 │ │ │
│ │ │ • 内容分析 │ │ • 类型分类(5种) │ │ │
│ │ │ • 智能缓存 │ │ • @提醒功能 │ │ │
│ │ │ • 三种模式 │ │ • 搜索筛选 │ │ │
│ │ └────────┬────────┘ └──────────┬───────────────┘ │ │
│ │ │ │ │ │
│ │ ┌────────▼──────────┐ ┌───────▼──────────────┐ │ │
│ │ │ UI设计支持 │ │ 协作者追踪 │ │ │
│ │ │ │ │ │ │ │
│ │ │ • 设计图下载 │ │ • 访问记录 │ │ │
│ │ │ • 切图提取 │ │ • 团队透明 │ │ │
│ │ │ • 智能命名 │ │ • 元数据关联 │ │ │
│ │ └───────────────────┘ └──────────────────────┘ │ │
│ └──────────────────────────────────────────────────────┘ │
│ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ 数据存储层 │ │
│ │ ┌─────────────┐ ┌─────────────┐ ┌──────────────┐ │ │
│ │ │ 留言数据 │ │ 资源缓存 │ │ 截图缓存 │ │ │
│ │ │ (JSON) │ │ (Files) │ │ (PNG) │ │ │
│ │ └─────────────┘ └─────────────┘ └──────────────┘ │ │
│ └────────────────────────────────────────────────────────┘ │
└────────────────┬─────────────────────┬────────────────────────┘
│ │
│ │ 飞书通知
│ ▼
│ ┌─────────────────┐
│ │ Feishu Webhook │
│ └─────────────────┘
│
│ HTTP/JSON API
▼
┌─────────────────────────────────────────────────────────────────┐
│ 蓝湖平台 API │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────────────┐ │
│ │ 文档元数据 │ │ Axure资源 │ │ UI设计图&切图 │ │
│ └──────────────┘ └──────────────┘ └──────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
```
### 数据流图
```
用户请求 → AI客户端 → MCP协议
↓
Tool调用
↓
┌─────────┴─────────┐
│ │
检查缓存 提取元数据
│ │
命中？ 关联版本号
│ │
是/否 记录协作者
│ │
├─是→返回缓存 │
│ │
└─否→调用蓝湖API ←──┘
↓
下载资源
↓
处理转换
↓
保存缓存
↓
返回结果
↓
AI客户端展示
```
## 📁 项目结构
```
lanhu-mcp-server/
├── lanhu_mcp_server.py # 主服务器文件（3800+ 行）
├── requirements.txt # Python 依赖
├── Dockerfile # Docker 镜像
├── docker-compose.yml # Docker Compose 配置
├── config.example.env # 配置文件示例
├── quickstart.sh # Linux/Mac 快速启动脚本
├── quickstart.bat # Windows 快速启动脚本
├── .gitignore # Git 忽略文件
├── LICENSE # MIT 许可证
├── README.md # 中文文档（本文件）
├── README_EN.md # 英文文档
├── CONTRIBUTING.md # 贡献指南
├── CHANGELOG.md # 更新日志
├── data/ # 数据存储目录（自动创建）
│ ├── messages/ # 留言数据（JSON文件）
│ │ └── {project_id}.json # 每个项目一个文件
│ ├── axure_extract_*/ # Axure 资源缓存
│ │ ├── *.html # 页面HTML
│ │ ├── data/ # Axure数据文件
│ │ ├── resources/ # CSS/JS资源
│ │ ├── images/ # 图片资源
│ │ └── .lanhu_cache.json # 缓存元数据
│ └── lanhu_designs/ # 设计稿缓存
│ └── {project_id}/ # 按项目分类
└── logs/ # 日志文件（自动创建）
└── *.log # 运行日志
```
## 🔧 高级配置
### 自定义角色映射
在代码中修改 `ROLE_MAPPING_RULES` 以支持更多角色：
```python
ROLE_MAPPING_RULES = [
(["后端", "backend", "server"], "后端"),
(["前端", "frontend", "web"], "前端"),
# 添加更多规则...
]
```
### 缓存控制
缓存目录由环境变量 `DATA_DIR` 控制：
```bash
export DATA_DIR="/path/to/cache"
```
### 飞书通知定制
在 `send_feishu_notification()` 函数中定制消息格式和样式。
## 🤖 AI 助手集成
本项目专为 AI 助手设计，内置"二狗"（ErGou）助手人格：
- 🎯 **专业分析**：自动识别文档类型和最佳分析模式
- 📋 **TODO驱动**：基于任务清单的系统化工作流
- 🗣️ **中文交互**：专业的中文对话体验
- ✨ **自动化服务**：无需手动操作，AI 自动完成全流程
- 🔍 **细致严谨**：专注于准确性和质量，提供高质量技术分析
- 📝 **代码质量**：遵循严格的代码标准，避免AI生成代码的常见问题
## 📊 性能指标
- ⚡ 页面截图：~2秒/页（带缓存）
- 💾 资源下载：支持断点续传和增量更新
- 🔄 缓存命中：基于版本号的永久缓存
- 📦 批量处理：支持并发下载和分析
## 🐛 常见问题
<details>
<summary><b>Q: Cookie 过期怎么办？</b></summary>
A: 重新登录蓝湖网页版，获取新的 Cookie 并更新环境变量或配置文件。
</details>
<details>
<summary><b>Q: 截图失败或显示空白？</b></summary>
A: 确保系统已安装 Playwright 浏览器：
```bash
playwright install chromium
```
</details>
<details>
<summary><b>Q: 飞书通知发送失败？</b></summary>
A: 检查：
1. Webhook URL 是否正确
2. 飞书机器人是否已添加到群组
3. 用户 ID 映射是否正确配置
</details>
<details>
<summary><b>Q: 如何清理缓存？</b></summary>
A: 删除 `data/` 目录下的对应缓存文件即可。系统会自动重新下载。
</details>
## 🔒 安全说明
- ⚠️ **Cookie 安全**：请勿将含有 Cookie 的配置文件提交到公开仓库
- 🔐 **访问控制**：建议在内网环境部署或配置防火墙规则
- 📝 **数据隐私**：留言数据存储在本地，请妥善保管
## 🤝 贡献指南
欢迎贡献代码！请遵循以下步骤：
1. Fork 本仓库
2. 创建特性分支 (`git checkout -b feature/AmazingFeature`)
3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
4. 推送到分支 (`git push origin feature/AmazingFeature`)
5. 开启 Pull Request
### 开发指南
```bash
# 安装开发依赖
pip install -r requirements.txt
# 运行测试
python -m pytest tests/
# 代码格式化
black lanhu_mcp_server.py
```
## 📄 许可证
本项目采用 MIT 许可证 - 查看 [LICENSE](LICENSE) 文件了解详情。
## 🙏 致谢
### 开源项目
- [FastMCP](https://github.com/jlowin/fastmcp) - 优秀的 MCP 服务器框架
- [Playwright](https://playwright.dev/) - 可靠的浏览器自动化工具
- [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/) - HTML 解析利器
- [HTTPx](https://www.python-httpx.org/) - 现代化的异步 HTTP 客户端
### 服务平台
- [蓝湖](https://lanhuapp.com/) - 提供优质的设计协作平台
- [飞书](https://www.feishu.cn/) - 提供企业协作和机器人通知
### 贡献者
感谢所有为这个项目做出贡献的开发者！
<!-- ALL-CONTRIBUTORS-LIST:START -->
<!-- 这里将自动生成贡献者列表 -->
<!-- ALL-CONTRIBUTORS-LIST:END -->
### 特别感谢
- 所有提交 Issue 和 PR 的贡献者
- 所有在生产环境使用并提供反馈的团队
- 所有帮助改进文档的朋友
## 📮 联系方式
- 提交 Issue: [GitHub Issues](https://github.com/dsphper/lanhu-mcp/issues)
- 邮件: dsphper@gmail.com
## 🗺️ 路线图
- [ ] 支持更多设计平台（Figma、Sketch）
- [ ] Web 管理界面
- [ ] 更多分析维度（前后端工时估算、技术栈推荐）
- [ ] 支持企业级权限管理
- [ ] API 文档自动生成
- [ ] 国际化支持
---
<p align="center">
如果这个项目对你有帮助，请给它一个 ⭐️
</p>
<p align="center">
Made with ❤️ by the Lanhu MCP Team
</p>
---
## Star History
[](https://www.star-history.com/#dsphper/lanhu-mcp&type=date&legend=top-left)
---
## 🏷️ 标签 Tags
`lanhumcp` `蓝湖mcp` `lanhu-mcp` `蓝湖AI` `lanhu-ai` `mcp-server` `cursor-plugin` `windsurf-integration` `claude-integration` `axure-automation` `requirement-analysis` `design-collaboration` `ai-development-tools` `model-context-protocol` `蓝湖插件` `蓝湖API` `AI需求分析` `设计协作` `前端开发工具` `后端开发工具`
---
## 🔍 常见搜索问题 FAQ Search
- **如何让 Cursor AI 读取蓝湖需求文档？** → 使用 Lanhu MCP Server
- **Windsurf 怎么连接蓝湖？** → 配置本 MCP 服务器
- **Claude Code 如何分析 Axure 原型？** → 通过 Lanhu MCP 集成
- **蓝湖有 API 吗？** → 本项目提供 MCP 协议接口
- **如何自动提取蓝湖切图？** → 使用本项目的切图工具
- **AI 如何自动生成测试用例？** → 使用测试分析模式
- **How to integrate Lanhu with Cursor?** → Install Lanhu MCP Server
- **Lanhu API for AI tools?** → Use this MCP server
- **Automated Axure analysis?** → Use this project
## 🔍 SEO 关键词索引
**中文关键词**: 蓝湖mcp | lanhumcp | 蓝湖AI | 蓝湖插件 | 蓝湖API | 蓝湖Cursor | 蓝湖Windsurf | 蓝湖Claude | 蓝湖需求文档 | 蓝湖Axure | 蓝湖切图 | 蓝湖设计稿 | AI需求分析 | AI测试用例 | MCP服务器 | 模型上下文协议
**English Keywords**: lanhu mcp | lanhu-mcp | lanhu ai | lanhu cursor | lanhu windsurf | lanhu claude | lanhu api | lanhu integration | mcp server | model context protocol | axure automation | design collaboration | requirement analysis | ai development tools
**适用人群**: 产品经理 | 前端开发 | 后端开发 | 测试工程师 | UI设计师 | 使用Cursor的开发者 | 使用Windsurf的开发者 | 使用Claude的开发者 | AI编程爱好者
---
## ⚠️ 免责声明
本项目（Lanhu MCP Server）是一个**第三方开源项目**，由社区开发者独立开发和维护，**并非蓝湖（Lanhu）官方产品**。
**重要说明：**
- 本项目与蓝湖公司无任何官方关联或合作关系
- 本项目通过公开的网页接口与蓝湖平台交互，不涉及任何未授权访问
- 使用本项目需要您拥有合法的蓝湖账号和访问权限
- 请遵守蓝湖平台的服务条款和使用政策
- 本项目仅供学习和研究使用，使用者需自行承担使用风险
- 开发者不对因使用本项目导致的任何数据丢失、账号问题或其他损失承担责任
**数据和隐私：**
- 本项目在本地处理和缓存数据，不会向第三方服务器传输您的数据
- 您的蓝湖 Cookie 和项目数据仅存储在您的本地环境中
- 请妥善保管您的凭证信息，不要分享给他人
**开源协议：**
- 本项目采用 MIT 开源协议，按"原样"提供，不提供任何形式的保证
- 详见 [LICENSE](LICENSE) 文件
如有任何疑问或建议，欢迎通过 [GitHub Issues](https://github.com/dsphper/lanhu-mcp/issues) 与我们交流。
<!-- Last checked: 2026-01-31 12:43 -->
