Vision MCP

視覚能力を持たない LLM（GLM など）でも、Claude Code / Codex で画像を処理できるようにします。

動作原理

メインモデルが画像に遭遇すると、この MCP が提供する describe_image ツールを呼び出します：

1. ツールがローカルの画像ファイルを読み取ります

2. 設定したビジョンモデル（Qwen-VL / GPT-4o / GLM-4V / Doubao など、任意の OpenAI 互換 API）を呼び出します

3. メインモデルにテキストによる説明を返します

4. メインモデルはそのテキストに基づいて推論を続けます

メインモデルは画像のバイナリデータに一切触れないため、テキストのみのモデルでも利用できます。

このプロジェクトはサードパーティ依存ゼロ（純粋な Python 標準ライブラリのみ）で、Python 3.8+ で動作し、pip インストールは不要です。

Related MCP server: Image-Vision MCP Server

ワンクリックインストール

git clone https://github.com/Ruiba0/Vision-MCP.git
cd vision-mcp
python3 install.py

Windows には python3 コマンドがないため、python install.py を使用してください。以降の python3 も同様です。

インストールスクリプトは対話形式で以下を実行します：

• ビジョンモデルの base URL / モデル名 / API key を入力させます（一般的なベンダーの参考例付き）

• MCP を Claude Code に登録します（claude mcp add）

• MCP を Codex に登録します（~/.codex/config.toml に書き込み）

• ~/.claude/CLAUDE.md と ~/.codex/AGENTS.md に画像処理ルールを追加します

スクリプトは冪等で、繰り返し実行できます。

手動インストール

インストールスクリプトを使いたくない場合：

1. ビジョンモデルを設定

   config.example.json を config.json にコピーし、ビジョンモデルの設定を記入します：

   {
     "vision_api_base": "https://dashscope.aliyuncs.com/compatible-mode/v1",
     "vision_model": "qwen-vl-max",
     "vision_api_key": "sk-你的key",
     "max_image_bytes": 10485760
   }

2. Claude Code に登録

   claude mcp add --scope user vision -- python3 /绝对路径/server.py

   --scope user を付けるとグローバルで利用できます（付けない場合は現在のディレクトリのみで有効です）。

3. Codex に登録

   ~/.codex/config.toml を編集し、以下を追加します：

   [mcp_servers.vision]
   command = "python3"
   args = ["/绝对路径/server.py"]

4. 画像処理ルールを追加

   ~/.claude/CLAUDE.md と ~/.codex/AGENTS.md に以下を追加します（メインモデルが画像に遭遇したときにツールを自発的に呼び出すようにするため）：

   ## 图片处理
   
   当用户提到图片文件路径（.png/.jpg/.jpeg/.gif/.webp/.bmp），或要求查看/分析/识别某个图片文件时：
   
   - 先判断当前主模型自身是否具备视觉能力
   - 具备视觉（如 Claude Sonnet/Opus、GPT-4o、Qwen-VL 等多模态模型）→ 直接读取图片并分析
   - 不具备视觉（如 GLM 等纯文本模型）→ 调用 vision MCP 的 describe_image 工具，传入图片路径和问题
   - 不确定自身是否支持视觉时，默认调用 describe_image 工具作为兜底
   - 用户明确要求"用 MCP 看"或"调视觉模型"时，无论主模型是否支持视觉，都调用 describe_image 工具

対応ビジョンモデル

OpenAI 互換プロトコルのビジョンモデルであればどれでも使用できます：

Anthropic ネイティブプロトコル（Claude など）を使用する場合は、vision_client.py を自分で修正する必要があります。現在は OpenAI 互換プロトコルのみをサポートしています。

使用方法

インストール完了後、Claude Code / Codex を再起動し、会話で次のように指示します：

• "~/Desktop/diagram.png の画像を見てください"

• "~/Screenshots/error.jpg のエラーを分析してください"

• "~/Documents/notes/page1.jpeg 内のすべての文字を認識してください"

（Windows の場合、パスは D:/temp/diagram.png のような形式になります。お使いのシステムに合わせて記述してください）

メインモデルが自動的に describe_image ツールを呼び出し、ツールがビジョンモデルのテキストによる説明を返すと、メインモデルはその説明に基づいて回答を続けます。

ツールのパラメータ

describe_image(path: str, question: str = "详细描述这张图片的内容") -> str

• path：画像ファイルの絶対パス。png/jpg/jpeg/gif/webp/bmp に対応

• question：ビジョンモデルに尋ねたい質問。シーンに応じて調整できます（"文字認識"、"レイアウト説明"、"グラフ分析" など）

プロジェクト構成

vision-mcp/
├── server.py              # MCP 服务（内置 stdio JSON-RPC 实现，无 SDK 依赖）
├── vision_client.py       # 视觉模型调用（OpenAI 兼容协议，urllib 实现）
├── config.example.json    # 配置模板（提交到 git）
├── config.json            # 你的实际配置（gitignored）
├── install.py             # 一键安装脚本
└── README.md

よくある質問

Q: 呼び出し時に 视觉模型连接失败 というエラーが出る vision_api_base のパスが正しいか確認してください。ツールは base URL の後ろに /chat/completions を連結するため、base URL には /chat/completions の接尾辞を含めないでください。

Q: 呼び出し時に HTTP 401 が返る API key が無効であるか、そのモデルの権限がありません。vision_api_key と vision_model が対応するプラットフォームと一致しているか確認してください。

Q: メインモデルがツールを自発的に呼び出さない CLAUDE.md / AGENTS.md に画像処理ルールが追加されているか確認してください。ルール内のキーワード（画像、表示、分析）が、メインモデルに describe_image の呼び出しを促します。

Q: ビジョンモデルを変更したい config.json の 3 つのフィールドを編集するだけで、コードを変更する必要はありません。または python3 install.py を再実行して再設定してください。

依存

• Python 3.8+（標準ライブラリのみ。pip でパッケージをインストールする必要はありません）

License

MIT