eyes-mcp
eyes-mcp
Дайте любому текстовому LLM глаза. Локальное зрение для вашего кодинг-агента.
Одна команда · ноль API-ключей · ничего не покидает вашу машину
DeepSeek, GLM, Qwen-Coder, Llama… отличные модели, но все слепые.
❌ Без глаз
Вы вставляете скриншот в своего агента (работающего на текстовой модели через Claude Code / Codex / Cursor):
> Here's the error in my UI, fix it [screenshot.png]
I'm sorry — I cannot see images. Please describe the error in text.Related MCP server: OpenSight MCP
✅ С глазами
Агент вместо этого обращается к локальной VLM + OCR и сам читает скриншот:
> Here's the error in my UI, fix it [screenshot.png]
I see a React hydration error in `CartDrawer.tsx:142`. The OCR shows:
"Hydration failed because the server rendered HTML didn't match the client." …Быстрый старт
git clone https://github.com/JamesbbBriz/eyes-mcp
cd eyes-mcp && ./scripts/install.shВот и всё. Установщик:
спрашивает, какую модель вы хотите, с рекомендацией на основе вашей RAM и GPU (пропустите вопрос с помощью
EYES_PRESETили--yes),устанавливает зависимости и загружает модель (~0.3–3.5GB, с докачкой),
определяет, какие из ваших агентов работают на текстовых моделях, читая конфиги Claude Code / Codex / Cursor и проверяя каждую модель по базе модальностей,
регистрирует eyes-mcp только там, где это нужно. Мультимодальные агенты пропускаются автоматически.
# options:
EYES_PRESET=fast ./scripts/install.sh # Qwen3.5-0.8B, natively multimodal
HF_ENDPOINT=https://hf-mirror.com ./install.sh # mainland-CN mirror
./install.sh --yes # accept all recommendations, no prompts
./install.sh --dry-run # preview without changing anythingНужна только проверка модальности? python3 scripts/detect_modality.py
Требования: Python ≥3.11, llama.cpp (brew install llama.cpp), ~1GB RAM.
Ручная регистрация
Пропустили автоматическую установку или используете агента, которого установщик не знает? Добавьте его вручную.
Claude Code (~/.claude.json → mcpServers):
"eyes-mcp": {
"command": "uv",
"args": ["--directory", "/ABS/PATH/eyes-mcp", "run", "eyes-mcp"],
"env": { "EYES_PRESET": "lfm-450m" }
}Codex (~/.codex/config.toml):
[mcp_servers.eyes-mcp]
command = "uv"
args = ["--directory", "/ABS/PATH/eyes-mcp", "run", "eyes-mcp"]
env = { EYES_PRESET = "lfm-450m" }Cursor (.cursor/mcp.json): та же структура, что и у Claude Code.
Перезапустите агента и спросите: "что на этом скриншоте?"
Инструменты
Инструмент | Движок | Назначение |
| VLM via llama.cpp | Описания, понимание UI, визуальные вопросы и ответы |
| RapidOCR (onnx) | Плотный текст: терминалы, документы, таблицы; быстро и точно |
Пресеты моделей
Пресет | Модель | Загрузка | RAM | Лицензия | Примечания |
| SmolVLM2-256M | ~0.3GB | ~1GB | Apache-2.0 | самая маленькая полезная VLM |
| LFM2.5-VL-450M | ~0.4GB | ~1.2GB | проверена; самый быстрый запуск | |
| Qwen3.5-0.8B | ~0.7GB | ~1.8GB | Apache-2.0 | нативно мультимодальная (изображение + видео) |
| GLM-OCR | ~1.4GB | ~3.5GB | MIT | лучшая для плотного текста и документов (3M+ загрузок/мес) |
| Qwen3.5-2B | ~2GB | ~3.5GB | Apache-2.0 | лучший баланс качества и размера |
| Qwen3.5-4B | ~3GB | ~6GB | Apache-2.0 | максимальный уровень (рекомендуется GPU) |
Скрытые дополнения (всё ещё одна команда): smol500 (SmolVLM2-500M), paddle (PaddleOCR-VL-1.6), qwen3-2b (Qwen3-VL-2B).
Подойдёт любой другой GGUF. Укажите на него через env и полностью пропустите пресеты:
EYES_MODEL_DIR=~/models/my-vlm VLM_MODEL_FILE=model-Q4.gguf VLM_MMPROJ_FILE=mmproj.ggufХорошие кандидаты, не входящие в пресеты: LFM2.5-VL-1.6B/3B, InternVL3.5-2B/4B, MiniCPM-V-4.6, DeepSeek-OCR, dots.ocr, gemma-3n-E2B, moondream2. Подойдёт всё, что llama.cpp поддерживает с файлом mmproj.
Переключайтесь в любой момент: задайте EYES_PRESET и снова запустите ./scripts/download_models.sh. Не уверены, какую выбрать? python3 scripts/choose_model.py покажет ваши RAM/GPU и отметит рекомендацию.
Как это работает
Claude Code / Codex / Cursor
│ MCP stdio
▼
eyes-mcp (stateless, mcp SDK 2.x)
├─ analyze_image → llama.cpp llama-server (local VLM) "understand"
└─ ocr_image → RapidOCR (onnx, ~20MB) "extract text"Жизненный цикл следует за вашим агентом: VLM-сервер запускается при старте MCP и завершается при выходе агента, так что у вас не остаётся осиротевших процессов или демона, за которым нужно следить.
Плавающий порт: VLM никогда не привязывается к фиксированному порту (прощай, "порт 8080 уже занят"), поэтому она сосуществует с вашими другими локальными сервисами.
Переиспользование внешней VLM: если у вас уже запущена VLM на
VLM_BASE_URL, eyes-mcp использует её вместо запуска собственной.
Зачем
Самые дешёвые и лучшие кодинг-модели сейчас (DeepSeek-V4-Flash, GLM-5.x, Qwen-Coder) — текстовые. Каждая платформа предполагает, что вы можете вставить скриншот, и каждая из этих моделей молча с этим проваливается. eyes-mcp — недостающий сайдкар: небольшая локальная VLM плюс OCR, обёрнутая в жизненный цикл, который ваш агент уже понимает.
Дорожная карта
Ленивый запуск VLM (запуск при первом вызове инструмента, а не при старте MCP)
screenshot_analyze(захват экрана без файла)PDF-страницы → зрение
npx eyes-mcp— установка одной командойШаблоны промптов для каждой модели (OCR-модели llama.cpp требуют конкретных промптов)
FAQ
Имеет ли значение модель моего агента?
Только в том смысле, что она должна быть текстовой, чтобы это было полезно. Мультимодальные модели (GPT, Claude, GLM-V) уже видят изображения, так что не заморачивайтесь.
Нужен GPU?
Нет. Всё отлично работает на CPU, а llama.cpp автоматически подхватывает Apple Metal или CUDA, если они есть.
Где хранятся модели?
~/.eyes-mcp/models/<preset>/. Удалите их для сброса.
Лицензия
MIT. У весов моделей свои лицензии (см. таблицу пресетов); они загружаются при установке и здесь не распространяются.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
OCR, transcription, file extraction, and image generation for AI agents via MCP.
Give your agent eyes: screenshots of any web page it can see, pages as markdown, and PDFs.
Web scraping, browser automation, screenshots and AI data extraction for AI agents via MCP.
SnapRender gives AI agents eyes on the web through a hosted MCP server. Send a public URL and get the page back as an image, a PDF or clean markdown, with no browser to run or maintain. Capture the viewport or the full page as PNG, JPEG, WebP or PDF, at desktop size or with a phone, tablet or laptop preset, in light or dark mode. Ads and cookie banners are removed by default, and you can hide elements or click one before the capture. extract_content reads the same page as markdown, text, article, links or metadata, so an agent can see a page and read it in one session. Made for monitoring and client work: batch up to 50 URLs in one job, check the cache for free before spending a capture, share signed links that render without an API key, and get webhooks when a batch finishes or a scheduled capture spots a change. Track competitors' pricing and landing pages, or send clients current screenshots of their sites. Connect with OAuth (Google, GitHub or email) or an API key. Works with Claude, ChatGPT, Cursor, VS Code and any MCP client. Free plan: 200 screenshots a month, no credit card. Paid plans from $9 a month for 2,000 up to $199 a month for 200,000. Home: https://snap-render.com Docs: https://snap-render.com/ai-agents
Related MCP Servers
- AlicenseAqualityDmaintenanceBridges vision models to text-only coding models using Florence-2, enabling non-vision LLMs to describe images, extract text, and analyze screenshots via MCP tools.6MIT
- AlicenseNot gradedqualityDmaintenanceMulti-backend AI vision for MCP agents. Analyze images, screenshots, and documents using local Ollama models or cloud APIs like OpenAI, Google Gemini, and OpenRouter.MIT
- AlicenseNot gradedqualityCmaintenanceLocal vision-capable MCP server that lets AI agents describe screenshots, UI, charts, and photos via vision and OCR tools, with support for multiple providers and automatic fallback.5MIT
- AlicenseNot gradedqualityNot gradedmaintenanceAdds image recognition and UI grounding capabilities to text-only LLMs through MCP tools, supporting local and cloud vision backends.MIT