Skip to main content
Glama
mimo-vision-mcp

mimo-vision-mcp

Official
by jack4862

mimo-vision-mcp

MCP Server:用小米 MiMo v2.5 多模态模型,为纯文本主模型(如 deepseek-v4-flash)补齐图像识别能力。

主模型没有视觉能力时,通过本 Server 把截图、UI 图、报错图、设计稿、照片等转成文字描述, 主模型据此继续推理。二次开发自 Mriestac/mimo-image-recognition-mcp(选型记录见下文)。

功能

工具

说明

describe_image(image, prompt?)

单图理解(默认给详细描述)

analyze_images(images, question)

多图联合分析(前后对比 / A/B 方案)

extract_text_from_image(image)

纯 OCR,保留换行缩进

read_image_info(image)

只做本地校验,不调 API(排查输入问题)

mimo://config 资源

查看脱敏配置

图片输入支持:本地路径、http(s):// URL、file://、data:image/...;base64,...; 格式仅限 jpg/jpeg/png/gif/webp/bmp,单张 ≤10MB(官方限制)。

Related MCP server: DeepSeek Eyes

架构

主模型(纯文本)─ 图片路径/URL → MCP 工具
    → server 读图转 base64 → POST https://api.xiaomimimo.com/v1/chat/completions (mimo-v2.5)
    → 纯文本描述 → 主模型继续推理

安装

cd <仓库路径>        # 例如 C:\path\to\mimo-vision-mcp
uv sync --dev        # 创建 .venv 并安装依赖(mcp[cli]<2、httpx、python-dotenv)
Copy-Item .env.example .env
# 编辑 .env 填入 MIMO_API_KEY

注册到 Claude Code(全局)

cd <仓库路径>        # 例如 C:\path\to\mimo-vision-mcp
$key = ((Get-Content .env | Where-Object { $_ -match '^MIMO_API_KEY=' }) -split '=', 2)[1]
claude mcp add mimo-vision -s user `
  -e "MIMO_API_KEY=$key" `
  -e "MIMO_BASE_URL=https://api.xiaomimimo.com/v1" `
  -e "MIMO_VISION_MODEL=mimo-v2.5" `
  -- "$PWD\.venv\Scripts\python.exe" "$PWD\server.py"

验证:

claude mcp list            # 应列出 mimo-vision
claude mcp get mimo-vision
claude mcp inspect mimo-vision   # 协议级连通性自检

主会话中需 重启 Claude Code 或 /mcp 重连 后工具才出现。

两种 Key 的差异

Key 类型

前缀

MIMO_BASE_URL

普通按量付费

sk-

https://api.xiaomimimo.com/v1

Token Plan

tp-

https://token-plan-cn.xiaomimimo.com/v1

mimo-v2.5-pro 是纯文本推理模型,视觉理解必须用 mimo-v2.5。

使用

主会话中对模型说,例如:

描述这张图:C:\path\to\your\image.png 提取这张报错截图里的文字:C:\path\to\error.png

模型会自动调用对应工具。

验证

uv run --env-file .env pytest tests/test_image_utils.py tests/smoke_test.py   # 离线单测
uv run --env-file .env pytest tests/test_api.py                               # 真实 API 直连

踩坑记录

  • MiMo API 硬性要求:content 数组必须同时包含 image_url 与 text 对象, 角色必须 user,否则返回 400 Param Incorrect - text is not set(见 api_client.build_vision_message)。

  • mcp SDK 2.x 移除了 mcp.server.fastmcp:pyproject 锁定 mcp[cli]>=1.2,<2.0。

  • mcp 1.29 lifespan 是构造函数参数(非 @mcp.lifespan_context);工具/资源通过参数注解 Context 注入。

  • resource 有函数参数会被注册为模板资源(_templates)而非普通资源,list_resources 看不到——配置资源改为无参数函数。

  • 认证头用 Authorization: Bearer(base 项目 Mriestac 原用 api-key,已修正);单图大小上限按官方改 10MB;补充 file:// 输入支持。

配置项(.env)

变量

默认

说明

MIMO_API_KEY

—

必填

MIMO_BASE_URL

https://api.xiaomimimo.com/v1

Token Plan 需改

MIMO_VISION_MODEL

mimo-v2.5

视觉模型名

MIMO_MAX_TOKENS

2048

最大输出 token

MIMO_TIMEOUT

60

请求超时(秒)

MIMO_ENABLE_THINKING

False

是否输出思考过程(更慢)

MIMO_MAX_IMAGE_BYTES

10485760

单图上限(10MB)

选型记录

候选仓库(均已 clone 审阅后删除 _ref/):

  • 选定 base:Mriestac/mimo-image-recognition-mcp —— 天然用 OpenAI chat/completions 格式 + api.xiaomimimo.com,依赖轻(httpx),async 实现,工具/资源写法为标准 FastMCP。

  • 备选:kuohao233/mimo-vision-mcp —— 工具更全(describe/analyze/ocr)但走 Anthropic /v1/messages 格式,重写请求层成本高;其工具设计(默认 prompt、OCR 提示词)已借鉴到本项目。

修复自 base 的 3 处问题:认证头、10MB 上限、file:// 支持,并新增 read_image_info 工具与 4 个独立工具拆分。

Available Tools

4 tools
analyze_imagesA

对多张图片做联合分析,例如前后对比、A/B 方案比较、多帧序列分析。

Args: images: 图片路径或 URL 列表(建议 2-5 张,每张 ≤10MB)。 question: 比较或汇总的指令,例如 "这些截图之间发生了什么视觉变化?" / "这两套 UI 稿风格是否一致?"。

Returns: 联合分析文本。

Inputs: images (required), question (required). Returns: result

describe_imageA

识别单张图片并返回文字描述。

适用于截图、UI 图、设计稿、报错图、照片、图表等任意图片。当用户让你"看/读/识别" 一张图片、截图或报错时,调用本工具。请勿用文件读取工具直接读图片(纯文本模型不支持)。

Args: image: 图片的本地路径、http(s):// URL、file:// 或 data:image/...;base64,...。 prompt: 具体要提取什么,越具体越好;留空返回通用描述。

Returns: 图片的文字描述。

Inputs: image (required), prompt. Returns: result

extract_text_from_imageA

纯 OCR:逐字提取图片中的全部文字,保留换行缩进,不做解读。

最适合日志、终端、代码、报错弹窗、文档扫描的截图。

Args: image: 图片的本地路径、http(s):// URL、file:// 或 data:image/...;base64,...。

Returns: 逐字转录的文字内容。

Inputs: image (required). Returns: result

read_image_infoA

只校验图片输入是否可被识别(不调用 MiMo API),返回格式信息,用于排查图片输入问题。

Args: image: 图片的本地路径、http(s):// URL、file:// 或 data:image/...;base64,...。

Returns: 校验结果与图片 MIME 类型。

Inputs: image (required). Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A4.7/5.0

    Scored across 4 tools

    Disambiguation5/5

    Each tool has a clear, distinct purpose: single-image description, multi-image comparison, OCR text extraction, and input validation. No overlap or ambiguity between them.

    Naming Consistency5/5

    All tool names follow a consistent verb_noun snake_case pattern (describe_image, analyze_images, extract_text_from_image, read_image_info), making the naming pattern predictable.

    Tool Count5/5

    4 tools is well-scoped for an image vision server. Each tool addresses a distinct need without unnecessary padding, making the set easy to navigate.

    Completeness5/5

    The tool surface covers the core vision tasks: describing images, analyzing multiple images, OCR, and input validation. There are no obvious missing operations for the stated purpose.

    Maintenance

    ActivityInactive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      A
      quality
      D
      maintenance
      An MCP server that grants image recognition to text-only models like DeepSeek by forwarding images to vision models and returning text descriptions. Supports clipboard, pasted session images, and batch folder image recognition.
      5
      3
      MIT
    • A
      license
      Not graded
      quality
      D
      maintenance
      An MCP server for image recognition and OCR via OpenAI-compatible vision APIs, supporting local files, URLs, and data URLs. Enables natural language image description and text extraction.
      2
      MIT