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 返回结构化文本结果。

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 dev

MCP 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-3.5-flash",
        "VISIONTOOL_BASE_URL": "https://generativelanguage.googleapis.com"
      }
    }
  }
}

配置选项

支持以下环境变量配置：

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。

• 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。

开发

npm test
npm run build

Agent 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。