Skip to main content
Glama

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

Related MCP server: Image Parse MCP

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
  1. 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

Available Tools

3 tools
analyze_imageA

分析图像内容

这是核心工具,用于分析图像并返回详细描述。


使用场景:

  • 图像内容识别与描述

  • 文字提取(OCR)

  • 代码截图识别

  • 数据图表分析

  • 技术图表理解

参数说明:

  • image: 支持本地文件路径(如 C:/path/to/image.png)或Base64编码

  • prompt: 分析指令,告诉AI你想了解图像的什么内容

示例:

# 基础图像描述
analyze_image(image="C:/screenshots/desktop.png", prompt="描述这张截图的内容")

# 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")

返回内容:

  • status: 执行状态("success"或"error")

  • result: 分析结果

  • image_info: 图像信息(类型、大小等)

Inputs: image (required), prompt. Returns: object

chat_visionA

两轮对话式图像问答

支持基于图像的两轮对话:

  • 第一轮:根据图像和本地AI的询问信息进行回复

  • 第二轮:如果本地AI对图像画面细节有进一步追问,则回答


使用场景:

  • 深度图像分析

  • 迭代式问题探索

  • 复杂图像理解

参数说明:

  • image: 图像输入(路径或Base64)

  • question: 问题

  • session_id: 会话ID(用于第二轮对话,首次调用可不提供)

  • is_new_conversation: 是否开始新对话(设为true会创建新会话)

两轮对话流程:

  1. 第一轮:调用时不传session_id,AI分析图像并回复,返回会话ID

  2. 第二轮:传入session_id继续追问图像细节,AI回答后对话结束

  3. 超过两轮将无法继续,需开始新对话

示例:

# 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"]

# 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
    )

返回内容:

  • status: 执行状态

  • answer: 回答

  • session_id: 会话ID

  • conversation_turn: 当前对话轮次(1或2)

  • remaining_turns: 剩余对话轮次

  • can_continue: 是否可以继续对话

Inputs: image (required), question (required), session_id, is_new_conversation. Returns: object

get_statusB

获取服务器状态

返回当前服务器配置和运行状态信息。


返回内容:

  • server_name: 服务器名称

  • provider: AI服务提供商

  • model: 当前使用的模型

  • chat_manager: 对话管理器状态

  • config: 当前配置信息

Inputs: no named parameters. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.9/5.0

    Scored across 3 tools

    Disambiguation5/5

    The three tools have clearly distinct purposes with no overlap: analyze_image for general image analysis, chat_vision for conversational image Q&A, and get_status for server monitoring. Each tool serves a unique function in the vision analysis workflow, making it easy for an agent to select the right one.

    Naming Consistency5/5

    All tool names follow a consistent verb_noun pattern (analyze_image, chat_vision, get_status) with clear, descriptive verbs. The naming is uniform and predictable across the entire toolset, making it easy to understand each tool's function at a glance.

    Tool Count4/5

    Three tools is appropriate for a vision server's core functionality, covering analysis, conversation, and status checking. However, the count feels slightly minimal—additional tools like batch processing or image preprocessing could enhance completeness, but the current set is well-scoped for basic operations.

    Completeness4/5

    The toolset covers essential vision tasks: analysis, iterative questioning, and server status. Minor gaps exist, such as lacking tools for image manipulation (e.g., resize, crop) or batch processing, but agents can work around these with the provided tools for most common use cases in image understanding.

    Maintenance

    ActivityInactive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers