VisionToolMCP
VisionToolMCP bridges visual capabilities to text-only agents by sending images (local file paths, base64 data, or public URLs) to multimodal models and returning text and structured results.
Core capabilities:
Describe an Image (
describe_image) — Generate a detailed description of an image, with optional focus or instructions.Extract Text via OCR (
ocr_image) — Extract visible text from an image, with optional language hints and layout preservation.Answer Questions About an Image (
answer_about_image) — Ask a specific question and receive a visually-grounded answer.Compare Two Images (
compare_images) — Analyze and summarize differences between two images, with optional focus instructions.
Additional features:
Supports multiple AI backends: Anthropic, OpenAI, and Gemini
Returns both human-readable text and structured JSON responses
Includes a caller model whitelist, proxy fallback, retry logic, and security controls (path restrictions, URL allowlists, private IP blocking)
Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@VisionToolMCPdescribe the image at /screenshots/error.png"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
VisionToolMCP
VisionToolMCP 是一个 MCP 服务器，为纯文本 Agent 提供视觉能力桥梁。它接受图像文件、base64 图像数据或图像 URL，将它们发送到多模态模型，并通过 MCP 返回文本内容和 structuredContent 结构化结果。
功能特性
🔍 图像描述 - 描述图像内容，支持可选的聚焦/指令引导
📝 文字识别 (OCR) - 从图像中提取可见文本
❓ 图像问答 - 回答关于单张图像的特定问题
🆚 图像对比 - 比较两张图像并总结相关差异
Related MCP server: image_mcp
环境要求
Node.js 20+
设置以下任一 API 密钥（环境变量）：
VISIONTOOL_API_KEY、ANTHROPIC_API_KEY、OPENAI_API_KEY或GEMINI_API_KEY
安装
npm install
npm run build运行
VISIONTOOL_API_FORMAT=gemini VISIONTOOL_API_KEY=你的密钥 npm run devMCP 客户端配置
在 MCP 客户端配置中，将命令指向编译后的服务器：
{
"mcpServers": {
"visiontool": {
"command": "node",
"args": ["X:/MCP/VisionToolMCP/dist/index.js"],
"env": {
"VISIONTOOL_API_KEY": "你的Gemini密钥",
"VISIONTOOL_API_FORMAT": "gemini",
"VISIONTOOL_MODEL": "gemini-2.5-flash",
"VISIONTOOL_BASE_URL": "https://generativelanguage.googleapis.com"
}
}
}
}配置选项
支持以下环境变量配置：
环境变量 | 说明 | 默认值 |
| API 格式： |
|
| 统一 API 密钥，也可使用提供商特定的密钥（如 | - |
| 使用的模型 |
|
| API 基础 URL | - |
| 请求超时（毫秒） |
|
| 本地/base64 图像最大大小 |
|
| 429/5xx 等临时 API 故障的重试次数 |
|
| 指数退避重试的基础延迟 |
|
| 限制本地图像路径必须位于这些根目录下；多个目录用系统路径分隔符分隔 | 不限制 |
| 设为 |
|
| 限制图像 URL host，逗号分隔；支持 | 不限制 |
| 允许 localhost/private IP 图像 URL 被发送给上游视觉模型 |
|
| 网络错误后重试使用的代理 URL |
|
| 设为 |
|
| 调用者模型前缀白名单，用逗号分隔 |
|
调用者模型白名单
默认情况下，此 MCP 服务器启用调用者模型白名单：
默认允许的前缀：
glm、deepseek必需参数：
_caller_model- 调用模型必须标识自身
这可以防止昂贵的多模态模型（如 GPT-4o、Claude）意外调用此 MCP 并浪费 API 额度。自定义白名单示例：
# 仅允许 GLM 和 Qwen 系列
VISIONTOOL_ALLOWED_CALLER_PREFIXES=glm,qwen
# 允许所有调用者（不推荐用于生产环境）
VISIONTOOL_ALLOWED_CALLER_PREFIXES=*完整配置示例请参考 .env.example 文件。
工具调用示例
所有工具都必须传 _caller_model。默认只允许以 glm 或 deepseek 开头的调用者模型：
{
"name": "describe_image",
"arguments": {
"_caller_model": "glm-4.5",
"image": {
"path": "X:/screenshots/current.png"
},
"detail": "medium",
"maxTokens": 1024
}
}工具响应会同时包含可读文本和结构化对象。结构化对象字段为：
{
"tool": "describe_image",
"model": "gemini-2.5-flash",
"apiFormat": "gemini",
"text": "model response text",
"images": [
{
"source": "path",
"mediaType": "image/png",
"path": "X:/screenshots/current.png",
"bytes": 12345
}
]
}图像输入安全边界
path- 绝对或相对本地图像路径base64- 原始 base64 图像数据url- 可公开访问的图像 URL
支持的 MIME 类型：PNG、JPEG、WebP 和 GIF。
注意：path 会读取 MCP 服务器进程可访问的本地文件；url 会把 URL 交给上游视觉模型提供商读取。生产环境建议设置 VISIONTOOL_ALLOWED_IMAGE_ROOTS、VISIONTOOL_ALLOWED_URL_HOSTS，或用 VISIONTOOL_DISABLE_URL_INPUTS=1 禁用 URL 输入。默认会拒绝 localhost/private IP URL；确有需要时才设置 VISIONTOOL_ALLOW_PRIVATE_URLS=1。
网络与代理
遇到可重试的网络错误时，服务器会先直连，再通过代理 fallback 重试。代理选择顺序为 VISIONTOOL_PROXY_URL、HTTPS_PROXY、HTTP_PROXY、http://127.0.0.1:7890。如果当前环境不需要代理 fallback，可设置 VISIONTOOL_DISABLE_PROXY_FALLBACK=1。
开发
npm test
npm run buildAgent 使用说明
此服务器与截图/捕获 MCP 配合使用。先用另一个工具截取屏幕截图，将返回的文件路径传递给 describe_image 或 answer_about_image，然后使用结构化的文本响应来决定下一步操作。
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Latest Blog Posts
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/Winter-And-You-Gone/VisionTool-MCP'
If you have feedback or need assistance with the MCP directory API, please join our Discord server