👁️ VisionPower

给你的 AI Agent 装上眼睛 —— 一个轻量、安全、即插即用的图片理解能力，同时支持 MCP 与 Skill 两种接入形态。

VisionPower 让 Codex、Claude Desktop、Cursor、Cline、Cherry Studio 等 Agent 获得识别图片内容、读取截图文字（OCR）、解读图表、按顺序分析多张图片的能力。

它不绑定任何模型：默认走阿里云百炼 / DashScope 的 Qwen-VL（OpenAI-compatible 接口），也可通过模型名和 Base URL 配置切换到智谱 GLM、MiniMax、Kimi、火山方舟豆包、Google Gemini、GPT-4o 或任何兼容 OpenAI /chat/completions 视觉输入的服务。同一套内核提供两种接入形态——MCP 和 Skill，按你的 Agent 能力任选其一或都装。

✨ 特性

• 🧩 一个能力，两种形态 —— 同一内核，既可作为 MCP 工具 describe_image，也可作为自包含的 Skill（一个零依赖脚本，下载即用）。

• 🖼️ 四种输入源 —— 本地路径 image_path、公网 image_url、image_base64、以及多图有序数组 images[]。

• 🎨 六种图片格式 —— JPEG / PNG / WEBP / GIF / BMP / TIFF，按原始字节透明转发；模型不支持时给出可操作的换格式提示，而非晦涩报错。

• 🔢 多图有序分析 —— 自动标记 Image 1 / Image 2 / … 并要求模型按相同顺序作答。

• 🔌 模型无关 —— 任意 OpenAI-compatible 视觉服务，改两个环境变量即可切换。

• 🔒 安全优先 —— 路径白名单、文件 magic-byte 校验、私网/SSRF 防护、严格 base64 与输入 schema 校验。详见 安全设计。

• 🔁 稳健 —— 上游限流 / 5xx / 网络抖动自动重试（指数退避），超时同时覆盖响应体读取，不会卡死请求。

• 🪶 极简依赖 —— 运行时仅依赖官方 MCP SDK 与 zod，无原生模块、无图像库。

• 🌐 国内友好 —— 内置 npmmirror 镜像与本地安装路径，弱网也能稳定启动。

Related MCP server: gemini-image-mcp

🎬 它能做什么

把图片交给 Agent，让它分析：

输入

{
  "image_path": "/Users/me/Desktop/dashboard.png",
  "prompt": "读取这张截图里的关键数字并总结趋势。"
}

输出（示例）

这是一张销售看板截图。顶部 KPI 显示本月 GMV ¥1,284,500，环比 +12.3%；
订单数 8,420，环比 +4.1%。中间折线图显示近 6 个月持续上升，3 月有一次明显回落。
右侧饼图中「华东」占比最高（38%），其次是「华南」（25%）……

📸 截图阅读、🧾 票据/表格提取、📊 图表解读、🧭 UI 走查、🐞 报错截图诊断 —— 凡是「让 Agent 看一眼图」的场景都适用。

🧭 两种形态，怎么选

两种形态功能等价，区别只在接入方式。按你的 Agent 能力选：

两种可以同时安装。像 Codex 这种既能连 MCP 又有 shell 的 Agent，用哪种都行。

作为 MCP 使用 (强烈推荐)

准备工作

• Node.js 18+

• 支持视觉模型的 API Key（如阿里云百炼 Key、OpenAI API Key 等）。

配置方式一：通过 WebUI 可视化控制台进行配置

您可以通过内置的本地 WebUI 控制台轻松完成所有配置（模型、API Key、Endpoint、缓存等），并且可以在控制台里通过 Playground 试用台直接测试图像分析效果，以及在 Patch Bay 中一键复制代码片段。

① 启动 WebUI 配置控制台 在终端运行以下命令：

npx -y --package visionpower@latest visionpower --webui

💡 这是唯一需要记住的命令：首次配置、后续召唤 WebUI 修改配置、以及更新到新版本，都用这一条命令即可。命令中的 @latest 会自动从 npm 拉取最新版本。

② 进行配置与测试

1. 终端输出成功后，浏览器会自动打开 http://127.0.0.1:17900（启动命令默认会唤起浏览器；若未自动打开，手动访问该地址即可）。

2. 控制台顶部有三个选项卡，分别覆盖「配置 → 试测 → 接入」完整流程：

💡 控制台支持中英双语（右上角切换）和暗/亮双主题，所有截图均为实际界面。

CONFIG 配置 —— 选择模型预设（Qwen3-VL / MiniMax-M3 / GLM-4.6V / Kimi K2.7 Code / Doubao / Gemini / GPT-4o 等 18 个内置预设，覆盖国内与海外端点；或选 Custom 自定义）、粘贴 API Key、按需调整高级参数（单图大小上限、超时、缓存、调试模式等）。选好预设后还能直接改模型名，复用同渠道下的其他模型。右上角状态徽章显示 运行中 即代表已配置成功。填好后点 ▸ 保存并应用配置（或先用 ⚡ 测试连接 验证 Key 是否有效）。

3. 配置保存后，切到 PLAYGROUND 测试台，立即验证模型是否连通、效果如何 —— 无需先接入 Claude/Cursor：

上传或拖拽一张图片（支持 JPG/PNG/WEBP/GIF/BMP/TIFF），输入提示词，点 ▸ 开始分析图像，右侧即显示模型返回的描述。上图是用一张 Q3 营收看板实测的结果。

4. 最后切到 PATCH BAY 集成向导，一键生成各宿主客户端的接入配置：

选择目标宿主（Claude Desktop / Cursor / Cline），复制生成好的 JSON 片段，粘贴到对应客户端的配置文件即可 —— 因为 API Key 已经存在本地配置文件里，宿主配置只剩一行 npx visionpower，无需再写 env。

控制台同时提供亮色主题（右上角 LIGHT/DARK 切换），偏好浅色界面的用户可随时切换，所有功能完全一致：

③ 写入宿主配置（直接复制下方内容） 配置成功后，您的宿主配置文件（如 Claude Desktop 或 Cursor）只需最简化配置即可运行，不再需要写繁琐的 env 环境变量。请直接复制以下 JSON 配置：

{
  "mcpServers": {
    "visionpower": {
      "command": "npx",
      "args": ["-y", "--package", "visionpower@latest", "visionpower"],
      "timeoutMs": 120000
    }
  }
}

• Codex (TOML), 写入 ~/.codex/config.toml:

[mcp_servers."visionpower"]
type = "stdio"
command = "npx"
args = ["-y", "--package", "visionpower@latest", "visionpower"]

• 分字段填写的客户端（如 Cline、Cherry Studio 等表单式 UI），逐项填入即可：

注意：宿主配置会在宿主启动时读取，配置完毕后请重启宿主生效。

关于 timeoutMs：npx 首次运行需下载 VisionPower，且视觉模型推理本身比纯文本慢，部分宿主默认超时（如 30–60 秒）容易在首屏或大图识别时超时。建议设为 120000（2 分钟）留出宽裕时间；若仍遇超时，可进一步上调。注意 timeoutMs 是宿主层（MCP client）的等待上限，与服务商侧 VISIONPOWER_TIMEOUT_MS（默认 60s）是两回事，两者均按需调整即可。

配置方式二：交给 Agent 自动配置与安装

如果您当前正在与具有文件读写能力的 AI 助手（如 Claude Code, Cursor, Cline 等）对话，可以直接将以下这段提示词复制发送给它，它会自动帮您生成本地配置文件并在客户端中注册该 MCP 服务：

请帮我配置并注册 VisionPower MCP 服务。

视觉模型 API Key：[在此填写您的 API Key]
默认模型：qwen3-vl-flash

【执行步骤】
1. 检查运行环境：执行 `node --version`，确认版本 >= 18。如果未安装或版本过低，告知我先安装 Node.js 18+（https://nodejs.org），然后停止后续步骤等待我确认。

2. 冒烟测试：执行以下命令，确认 npx 能正常拉取并运行 VisionPower：
   npx -y --package visionpower@latest visionpower --version
   如命令报错，告知我错误信息并停止后续步骤。

3. 写入本地配置文件：在 `~/.visionpower/config.json` 中写入以下内容（注意不要在终端或对话中明文完整输出我的 Key）：
   {
     "apiKey": "[在此填写您的 API Key]",
     "model": "qwen3-vl-flash"
   }

4. 注册 MCP 服务：在我当前宿主（如 Claude Desktop 或 Cursor）的 MCP 配置文件中添加以下配置。请先寻找已有的 mcpServers 配置文件作为格式模板，严格照搬其结构：
   "visionpower": {
     "command": "npx",
     "args": ["-y", "--package", "visionpower@latest", "visionpower"]
   }

5. 完成后告知我已写入的所有配置文件路径，并提示我重启宿主工具以使服务生效。

作为 Skill 使用

Skill 形态是一个自包含、零安装、零依赖的文件夹 VisionPower-Skill/：里面有 SKILL.md 和一个可直接 node 运行的脚本 describe_image.mjs。不依赖任何 CLI、不用 npm install，下载这一个文件夹就能用——只需要 Node 18+ 和一个 API Key。适合 Codex、Claude Code 等有代码执行能力的 Agent。

文件夹叫 VisionPower-Skill（方便下载识别），但 skill 本身的名字是 visionpower（见 SKILL.md 的 name:）。所以安装时装到 ~/.claude/skills/visionpower/，让安装目录名和 skill 名一致。

最快路径：交给 Agent 自助安装

把下面这段话发给你的 Agent，它会安装 Skill，然后主动问你用哪个模型、并把 API Key 写进持久配置文件：

请帮我安装 VisionPower Skill。

1. 从 https://github.com/RunhuaHuang/VisionPower 获取 VisionPower-Skill 文件夹
   （git clone 整个仓库，或单独下载该文件夹）。它是自包含的，无需 npm install。

2. 把文件夹里的内容安装为名为 visionpower 的技能（Claude Code 示例）：
   mkdir -p ~/.claude/skills/visionpower
   cp VisionPower-Skill/SKILL.md VisionPower-Skill/describe_image.mjs ~/.claude/skills/visionpower/

3. 确认 Node 18+：node --version；再跑 node ~/.claude/skills/visionpower/describe_image.mjs --help 验证。

4. 然后请询问我要用哪个视觉模型（默认 qwen3-vl-flash，也可选 qwen3-vl-plus 或 gpt-4o），
   并向我要 API Key，然后帮我把它写进持久配置文件 ~/.visionpower/config.json（mode 600），
   格式 {"apiKey":"...","model":"..."}（OpenAI 再加 "baseUrl":"https://api.openai.com/v1"）。
   不要把完整 Key 回显给我。

5. 最后用一张示例图片确认 Skill 可用。成功后脚本会自动写入
   ~/.visionpower/skill-state.json（configVerified=true）；以后再调用不要重复检查配置，
   直接运行脚本。只有脚本返回缺 Key / 鉴权 / 配置错误时，才重新引导我配置。

手动安装

1. 把技能内容装为名为 visionpower 的技能（Claude Code 个人级示例）：

   mkdir -p ~/.claude/skills/visionpower
   cp VisionPower-Skill/SKILL.md VisionPower-Skill/describe_image.mjs ~/.claude/skills/visionpower/

   项目级则放到 <你的项目>/.claude/skills/visionpower/。其他 Agent 放进它约定的技能目录即可——即使没有自动加载机制，也可以直接让它「读取这个 SKILL.md 并按说明运行 describe_image.mjs」。

2. 确认 Node 18+，并把 API Key 写进持久配置文件（脚本每次运行都会自动读取，配一次永久生效）：

   node --version            # 需要 v18+
   mkdir -p ~/.visionpower
   cat > ~/.visionpower/config.json <<'JSON'
   { "apiKey": "填写你的 API Key", "model": "qwen3-vl-flash" }
   JSON
   chmod 600 ~/.visionpower/config.json

   为什么用配置文件而不是 export VISIONPOWER_API_KEY=...？因为 Agent 起的子 shell 通常读不到你写在 ~/.zshrc 里的环境变量，于是「明明配了却每次还要重配」。配置文件不受 shell 影响，最稳。环境变量仍然可用，且会覆盖配置文件。SKILL.md 内置「首次设置」流程：触发时若没配 Key，Agent 会主动引导你选模型、写好这个文件；成功调用后还会写入 ~/.visionpower/skill-state.json 作为已验证开关，后续不再做配置预检，除非调用失败。

用起来

之后直接对 Agent 说「读一下这张截图的文字」并给出图片绝对路径，它会自动触发并执行（<skill> 为技能文件夹的绝对路径）：

node <skill>/describe_image.mjs --image-path /absolute/path/to/image.png --prompt "读取文字并总结"

脚本完整用法见 接口参考 · Skill 脚本。

🧩 工作原理

flowchart TB
    M["MCP 宿主<br/>Claude Desktop · Cursor · Cline · Cherry Studio"]
    S["有 shell 的 Agent<br/>Codex · Claude Code · …"]
    M -- "describe_image 工具" --> CORE
    S -- "node describe_image.mjs（自带脚本）" --> CORE
    CORE["VisionPower 内核<br/>输入校验 · 安全检查 · 归一化"]
    CORE --> API["视觉模型<br/>Qwen-VL · GLM · Kimi · Gemini · GPT-4o · …"]
    API --> CORE

两种形态共用同一份内核逻辑（src/vision-core.js + src/config.js）：MCP server 直接引用它；Skill 的 describe_image.mjs 由 npm run build:skill 从同一份内核自动打包成一个零依赖脚本（测试会校验两者同步，永不漂移）。内核只做「校验 + 归一化 + 转发」，不缓存图片、不抓取 image_url（由上游模型服务拉取）。

🧰 接口参考

describe_image（MCP 工具 / CLI 的 JSON 请求）

image_path / image_url / image_base64 三选一（多图时数组内每项也是三选一）。

图片格式由模型决定：VisionPower 会验证本地/Base64 图片的真实格式，然后按原始字节透明转发，不会转码。例如 Qwen3-VL 可直接接收 TIFF，而不支持 TIFF/BMP 的模型会返回明确错误；VisionPower 会建议更换视觉模型，或由用户先转换为 PNG/JPEG。多页 TIFF 是否读取全部页面同样取决于模型；若必须逐页识别，请先导出为独立图片并通过 images[] 提交。

{ "image_path": "/absolute/path/to/image.png", "prompt": "读取截图里的文字并总结。" }

{ "image_url": "https://example.com/image.png", "prompt": "这张图片里有什么？" }

{ "image_base64": "...", "image_mime_type": "image/png", "prompt": "提取所有可见文字。" }

{
  "images": [
    { "image_path": "/absolute/path/to/first.png" },
    { "image_url": "https://example.com/second.jpg" }
  ],
  "prompt": "按顺序读取每张图片中的文字并总结。"
}

多图调用时，VisionPower 会按提交顺序标记 Image 1、Image 2…，并要求模型按相同顺序分段返回。

Skill 脚本

Skill 形态用自带脚本 describe_image.mjs（<skill> 为技能文件夹绝对路径）：

node <skill>/describe_image.mjs --image-path <绝对路径> [--prompt <文本>]
node <skill>/describe_image.mjs --image-url <https 地址> [--prompt <文本>]
node <skill>/describe_image.mjs request.json        # 传 JSON 请求文件
echo '<JSON 请求>' | node <skill>/describe_image.mjs # 或从 stdin 传入

未提供任何源参数时，脚本会从 stdin 读取 JSON 请求（结构与 MCP 工具完全一致，含多图 images[]）。结果打印到 stdout；失败时打印 VisionPower error: <原因> 到 stderr 并以非零码退出。

🤖 支持的模型

只要服务商兼容 OpenAI 的 /chat/completions 视觉输入格式，就能接入。改 VISIONPOWER_MODEL 和 VISIONPOWER_BASE_URL 两个变量即可切换（WebUI 控制台的 CONFIG 标签页内置了下表大部分预设，可直接下拉选择）。

模型 ID 会随厂商更新而变化，下表为当前主流版本。若某 ID 已下线，请到对应服务商控制台查阅最新模型名；Base URL 一般保持稳定。

国内端点（CN）

国际端点（Global）

脚注 ¹ 火山方舟/豆包：方舟支持两种调用方式——直接用上表的 Model ID（推荐，ark- 开头的 API Key 即可鉴权），或用「接入点 ID」（形如 ep-2024xxxxxx-xxxxx，需在火山方舟控制台为模型创建推理接入点后，把 VISIONPOWER_MODEL 填成那个 ep- 开头的 ID）。实测 Model ID 方式开箱即用，无需创建接入点。 ² Anthropic Claude：Claude 原生 API 是 Anthropic 协议（/v1/messages），不直接兼容 OpenAI 的 /chat/completions，因此不能把 VisionPower 直接指向 api.anthropic.com。若需用 Claude，请在中间架一层 OpenAI↔Anthropic 适配器（如 LiteLLM、OpenRouter），再把 VISIONPOWER_BASE_URL 指向该适配器地址。

"env": {
  "VISIONPOWER_API_KEY": "填写你的 API Key",
  "VISIONPOWER_MODEL": "gpt-4o",
  "VISIONPOWER_BASE_URL": "https://api.openai.com/v1"
}

⚙️ 配置（环境变量 / 配置文件）

两种形态共用同一套配置。优先级：环境变量 > 配置文件 > 默认值。

配置文件：~/.visionpower/config.json（可用 VISIONPOWER_CONFIG 改路径）。这是 Skill 推荐的配置方式——因为 Agent 起的子 shell 通常读不到你写在 shell profile 里的环境变量，而配置文件每次运行都会被自动读取，配一次永久生效。键名用 apiKey / model / baseUrl / maxImages / timeoutMs 等：

{
  "apiKey": "填写你的 API Key",
  "model": "qwen3-vl-flash"
}

环境变量（会覆盖配置文件）：

命名：主前缀是 VISIONPOWER_*。API Key 还可回退读取 OPENAI_API_KEY。

迁移（0.x → 1.x）

• 旧版 README 中的 RUN_VISION_API_KEY 已更名为 VISIONPOWER_API_KEY。请把 MCP 配置或 shell 环境里的 RUN_VISION_API_KEY 改成 VISIONPOWER_API_KEY。

• 推荐把 npx -y visionpower 直接替换为 npx -y --package visionpower@latest visionpower，避免 npx 优先命中项目本地的旧版 node_modules/.bin/visionpower。

• 中国大陆镜像对应命令：npx -y --registry=https://registry.npmmirror.com --package visionpower@latest visionpower。

🔒 安全设计

VisionPower 在把图片交给模型前做了多层校验，适合在能读本地文件的 Agent 里使用：

• 路径白名单 —— 配置 VISIONPOWER_ALLOWED_DIRS 后，image_path 必须落在白名单目录内；先 realpath 解析符号链接再比对，防止软链逃逸。

• 绝对路径强制 —— 拒绝相对路径，避免歧义。

• Magic-byte 校验 —— 本地图片会比对文件真实字节与扩展名是否一致，扩展名和内容不符直接拒绝。

• 严格 Base64 校验 —— 拒绝 data: 前缀、非法字符、错误填充，并做一次回编码一致性检查。

• 私网 / SSRF 防护 —— image_url 拦截 localhost、私有/保留 IPv4 段、IPv6 唯一本地/链路本地地址，以及 IPv4-mapped IPv6，并拒绝带凭据的 URL。

• 体积与数量上限 —— 单图字节数、单次图片数量、输出 token、请求超时均可配置并强制约束。

• 严格输入 schema —— 基于 zod 校验，未知字段与字段组合冲突都会被明确拒绝。

🧪 本地开发

npm install
npm test         # 单元测试（配置解析 + 图片归一化 + 安全校验 + Skill 脚本同步校验）
npm run smoke    # 端到端：启动 MCP server 确认工具可用 + Skill 脚本拒绝空请求
npm run build:skill  # 改了内核后，重新生成 VisionPower-Skill/describe_image.mjs
npm start        # 直接以 stdio 启动 MCP server

源码结构：src/vision-core.js（内核逻辑）、src/config.js（配置）、src/schema.js（MCP 输入 schema）、src/index.js（MCP 出口）。Skill 出口 VisionPower-Skill/describe_image.mjs 由 scripts/build-skill.mjs 从内核自动生成（npm test 会校验其同步）。

❓ 常见问题

功能等价，区别在接入方式：MCP 暴露结构化工具、跨 MCP 宿主通用、连无代码执行的纯聊天宿主也能用；Skill 是「一段指令 + 一个自带的零依赖脚本」，需要 Agent 有 shell/代码执行能力（如 Codex、Claude Code）。详见 两种形态，怎么选。两种可同时安装。

确认装了 Node 18+（node --version），且用脚本的绝对路径调用（如 node ~/.claude/skills/visionpower/describe_image.mjs --help）。报「API key not configured」就按 SKILL.md 的「首次设置」把 Key 写进 ~/.visionpower/config.json。若你"明明 export 了环境变量却还是不识别"，多半是 Agent 的子 shell 没继承到——改用配置文件即可。

npx 首次运行会下载 VisionPower，之后通常走本地缓存。弱网或长期使用建议全局安装。

模型可用性取决于你的服务商账号、地域和权限，换成账号下可用的视觉模型即可。image_path 报错通常是因为配置了 VISIONPOWER_ALLOWED_DIRS 而图片不在白名单内，或路径不是绝对路径。

📄 许可证

MIT © Runhua