👁️ VisionPro Suite

给非多模态主模型（GLM-4.5/5.2 · DeepSeek · Qwen 等）配 Claude Code 用的视觉能力套件：MCP 预防层 + 反代救生层两道防线。

原 visionpower 已重命名为 visionpro；本仓库是 visionpro 套件，包含两层防御：

• MCP 预防层（src/ + VisionPower-Skill/）—— 给 Agent 装上 describe_image 工具，主模型主动把图片转成文字描述再喂给 LLM。99% 的场景在这里就被挡住了。

• 救生层（rescue-proxy/）—— 偶尔有图漏过 hook（MCP/WebFetch/Bash 内联 base64、subagent 转述、system prompt 贴图），到了 API 层被 GLM/DeepSeek/Qwen 返回 400 this model does not support image input，整个 session 死循环。救生代理自动检测 400、调 Doubao 描述图、把图块替换成文字、重新发请求——session 救回，下一轮就走 pass-through。

什么时候用哪一层

Related MCP server: mcp-see

本仓库结构

vision-pro-mcp/
├── src/                    # 预防层：MCP server（describe_image 工具）
├── VisionPower-Skill/      # 预防层：Skill 形态（零依赖脚本）
└── rescue-proxy/           # 救生层：HTTP 反代，自动救 400 image-not-supported

两层的联系：救生代理复用 VISIONPRO_* 环境变量调同一个视觉模型（默认 Doubao doubao-seed-2.0-pro），配置只写一次。

👁️ VisionPro（原 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。

VisionPro 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 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[]。

• 🔢 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。

🎬 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

最快路径：交给 Agent 自己装

复制下面这段话发给你的 Agent（替换成你的 API Key）：

请帮我安装并配置 VisionPower MCP。

视觉模型 API Key：填写你的 API Key（会以明文写入配置，注意文件安全）
模型：qwen3-vl-flash
Base URL：https://dashscope.aliyuncs.com/compatible-mode/v1

【安装】先实测 npm 源连通性：
- 官方源稳定 → npx -y --package visionpower@latest visionpower
- 不稳定/中国大陆网络 → npx -y --registry=https://registry.npmmirror.com --package visionpower@latest visionpower
- 仅当 npx 连续失败，才 npm install -g visionpower@latest 并把 command 配成 visionpower

【写配置——重点】
不要套用通用模板。先在本 Agent 的配置目录里找一个【已经存在且正在运行的 MCP server 配置】
作为格式模板，严格照搬它的【文件位置 + 字段结构】来新增 visionpower。
若存在多个候选文件，以“已有 MCP server 在用”的那个为准，不要写到 provider 模型配置里。

【验证】分两步确认：
1. 进程级：用写入的 command+env 拉起进程做 MCP 握手，确认 tools/list 返回 describe_image；
2. 告知用户：配置在宿主启动时读取，需重启该 Agent 工具才会在会话中生效。

准备工作：Node.js 18+，以及一个支持视觉模型的 OpenAI-compatible API Key（阿里云百炼 Key 申请：https://bailian.console.aliyun.com/?tab=model#/api-key）。

手动安装

适用于 Claude Desktop、Cursor、Cline、Cherry Studio 等用 JSON/TOML 配置 MCP 的工具。这些宿主不会替你下载、也不会自动测连接——先在终端确认能拉到包、API Key 能通，再贴配置，最少返工。

① 先在终端下载并自检

跑一次下面的命令，它会拉取 VisionPower 并尝试 MCP 握手；握手成功就说明你的网络、包、Key 都没问题：

# 官方源
npx -y --package visionpower@latest visionpower
# 中国大陆 / 弱网
npx -y --registry=https://registry.npmmirror.com --package visionpower@latest visionpower

进程正常挂起不报错（看到 Running VisionPower MCP server 之类输出）即说明通了，Ctrl+C 退出。包已缓存到本地，后续宿主启动会更快。 偶尔失败？弱网或长期使用可改全局安装：npm install -g visionpower@latest（国内加 --registry=https://registry.npmmirror.com）。

② 写进宿主配置

{
  "mcpServers": {
    "visionpower": {
      "command": "npx",
      "args": ["-y", "--package", "visionpower@latest", "visionpower"],
      "env": {
        "VISIONPOWER_API_KEY": "填写你的 API Key",
        "VISIONPOWER_MODEL": "qwen3-vl-flash",
        "VISIONPOWER_BASE_URL": "https://dashscope.aliyuncs.com/compatible-mode/v1"
      }
    }
  }
}

国内镜像把 args 换成 ["-y", "--registry=https://registry.npmmirror.com", "--package", "visionpower@latest", "visionpower"]。

③ Codex 用 TOML（不是 JSON），写入 ~/.codex/config.toml：

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

[mcp_servers."visionpower".env]
VISIONPOWER_API_KEY = "填写你的 API Key"
VISIONPOWER_MODEL = "qwen3-vl-flash"
VISIONPOWER_BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"

配置在宿主启动时读取，写完需重启该工具才会在会话中生效。

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 · 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）。

{ "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。

"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）。

🚑 救生层：rescue-proxy/

一句话定位：当主模型是 GLM/DeepSeek/Qwen 等不支持图的模型，MCP 预防层偶尔被绕过、图漏到 API 层，session 死循环——这个反代自动救回来。

它解决什么

实测场景：你用 glm-5.2:cloud 配 Claude Code。MCP 描述了 99% 的图，但有 4 类图绕不开 hook：

1. 用户用 Ctrl+V 粘贴截图（直接进 user message）

2. WebFetch / Bash 工具输出里内联的 base64（data:image/png;base64,...）

3. Subagent 转述时把图当作上下文塞回去

4. system prompt 里贴的图（messages[0].role: "system"）

这些图到了 API 层，glm-5.2 返回 400 this model does not support image input。conversation history 已含图数据——session 后续每条消息都带这些图，反复 400，"重启也没用"。

它怎么救

本地起一个 Node HTTP 反向代理（默认 127.0.0.1:8787），Claude Code 通过 ANTHROPIC_BASE_URL 指向它。代理对所有请求 pass-through（含 SSE 流式），只在收到上游 400 + 错误信息含 image/unsupported media 时自动：

1. 扫请求体所有 type: "image" content block（含 tool_result 嵌套）

2. 调 Doubao（doubao-seed-2.0-pro）对每张图拿描述

3. 把 image block 替换为 {"type":"text","text":"<图片描述>"}，保留 cache_control 以维持提示缓存

4. 重新 POST 上游，响应透传

下一轮请求（conversation history 已无图）走 pass-through，session 救回。

装与跑

# 一次性准备
cd rescue-proxy
npm install --prefer-offline

# 启动（默认监听 127.0.0.1:8787，写 pid 到 /tmp/visionpro-rescue-proxy.pid）
./start.sh
# 或前台跑看日志：
node proxy.js

# 测试（7 个 transform 单元测 + 4 个端到端 fake-upstream 测）
npm test

代理读 VISIONPRO_API_KEY / VISIONPRO_BASE_URL / VISIONPRO_MODEL（与 MCP 同一份配置）。

接 Claude Code

~/.bashrc 末尾加：

export ANTHROPIC_BASE_URL=http://127.0.0.1:8787

新开终端 source ~/.bashrc && claude，所有 session 自动走代理。代理死掉时 ANTHROPIC_BASE_URL 仍然指向 8787——claude 拿不到响应就报错，但不会污染 conversation history（错的请求是代理层的事，不是上游层）。

不改动的部分

• ✅ 透传所有 headers：anthropic-beta（含 claude-code-20250219,interleaved-thinking-2025-05-14,...）、anthropic-version、x-api-key、Authorization、x-stainless-*、x-claude-code-session-id

• ✅ 透传 cache_control：替换 image → text 时保留原 cache_control 字段，破坏 prompt caching 才是真灾难

• ✅ system 字段原样透传：glm-5.2 把 system 当 messages[0].role: "system"，代理不"修复"成官方格式

• ✅ SSE 流式：stream: true 时上游返回 text/event-stream，代理保持 Transfer-Encoding: chunked + Content-Type: text/event-stream，逐 chunk 透传

• ✅ tool_result 嵌套扫描：Read 图片、Read .ipynb cell output 会在 messages[].content[].content[] 里放图，递归扫

限制（务必知道）

• 替换有损：图片 → 文字描述，OCR 准、复杂图描述可能漏细节。预防层（MCP 描述）能拿到更好的描述——救生层是最后一道。

• doubao 失败时：返回原 400 给你，不静默吞错。日志里会标 [rescue] doubao failed: <reason>。

• 非图片 400 不触发救生：必须是 image/unsupported media 等关键字。rate limit、context length 等其他 400 原样回传。

详细看 rescue-proxy/README.md。

❓ 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 — 双版权声明：

• © Runhua — src/ 与 VisionPower-Skill/（原 VisionPower 核心与 Skill 形态）

• © helalove0812 — rescue-proxy/ 全部代码、README 重写、visionpro 重命名与 suite 打包