Skip to main content
Glama
GuanJiu173

Vision MCP Server

by GuanJiu173
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Hybrid

Vision MCP Server

为什么需要它

许多 AI 模型（包括部分 Claude 版本）不能直接"看"图片。当你给它一张 UI 截图或设计稿时，它无法理解画面内容，也就无法帮你分析界面、提取文字、写代码复刻。

Vision MCP Server 填补了这个缺口——它充当 AI 的"眼睛"，让你在对话中直接丢图片给模型分析，同时提供缓存、模型回退、UI 对比等实用能力。

Related MCP server: depu-img-mcp

它能做什么

场景

用法

给我描述这张截图的内容

image_understand — 5 秒快速识图

这张设计稿用了什么配色和字体

image_understand + mode="detailed" — 七维度分析

实现截图和设计稿对比，找出差异

image_compare — 自动发现 UI 偏差

额度用完了自动换模型接着跑

VISION_MODELS 模型回退

同一张图昨天分析过，今天免费用

磁盘缓存，7 天 TTL

典型工作流

"生成这个页面的 React 代码"
    ↓ Claude 写完
    ↓ Playwright 截图
    ↓ image_compare(设计稿, 截图)
    ↓ 返回差异 → Claude 修复

第一次分析 5-15 秒，第二次相同图 0.01 秒（命中原缓存），不花二次钱。

快速开始

pip install -e .
python -m vision_mcp_server

Claude Code 在项目根目录配 .mcp.json 即可用，不需要额外配置（前提是已设置 API Key）。

工具

image_understand — 单图分析

image_understand(image_path, prompt=None, mode="quick", force_refresh=False)

参数

说明

image_path

本地图片路径或 HTTP URL

prompt

自定义提问，不传则自动选择提示词

mode

"quick" 精简（5-10s）| "detailed" 七维度（15-30s）

force_refresh

跳过缓存

image_compare — 双图对比

image_compare(expected_image, actual_image, mode="ui", force_refresh=False)

返回结构化 JSON，包含差异类型、严重度、区域和预期/实际对比。

配置

环境变量

# 必选
DASHSCOPE_API_KEY=sk-xxx       # 百炼 API Key（默认 Provider）

# Provider 切换
VISION_PROVIDER=bailian         # bailian | openai | openrouter
VISION_API_KEY=sk-xxx           # 覆盖 API Key
VISION_BASE_URL=https://...     # 覆盖 API 端点

# 模型回退
VISION_MODELS=qwen-vl-max,qwen-vl-plus,qwen-3.7  # 按顺序尝试，遇到 quota/429 自动切换

# 缓存
VISION_CACHE_ENABLED=false      # 禁用缓存
VISION_CACHE_TTL=604800         # TTL（秒），默认 7 天
VISION_CACHE_DIR=/path/to/cache # 自定义缓存目录

Provider 默认值

Provider

模型

API 地址

bailian

qwen-vl-max

https://dashscope.aliyuncs.com/compatible-mode/v1

openai

gpt-4o-mini

https://api.openai.com/v1

openrouter

openai/gpt-4o

https://openrouter.ai/api/v1

扩展

启动 HTTP 模式调试：

python -m vision_mcp_server --http

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessUnresponsive

Resources

Related MCP Connectors

Related MCP Servers

  • llm-vision-mcp

    me9rez
    A
    license
    B
    quality
    B
    maintenance
    Provides vision capabilities to text-only LLMs by analyzing image files via Qwen-VL and returning textual descriptions, with support for OCR, UI analysis, diagram/chart understanding, and code extraction through MCP stdio.
    7
    6 npm
    4
    MIT

  • depu-img-mcp

    luyufan498
    A
    license
    A
    quality
    B
    maintenance
    Enables text-only language models to understand images by forwarding image and prompt requests to vision model backends via MCP, returning descriptive text. Supports multiple OpenAI-compatible providers with task routing and safety checks.
    1
    MIT

  • openai-vision-mcp-server

    ygq-future
    A
    license
    Not graded
    quality
    A
    maintenance
    Enables image analysis via OpenAI-compatible vision APIs, supporting local files, URLs, and base64 inputs with intelligent tiling for high-resolution images. Provides a secure, configurable MCP stdio server for structured vision analysis.
    151 npm
    2
    MIT

  • ai-vision

    kaijia323
    A
    license
    A
    quality
    C
    maintenance
    Provides image recognition capabilities to MCP clients by integrating with OpenAI-compatible vision models, supporting local images, URLs, multi-image comparison, and model listing.
    4
    MIT