vision-mcp
Server Configuration
Describes the environment variables required to run the server.
| Name | Required | Description | Default |
|---|---|---|---|
| MCP_HOST | No | 服务监听地址 | 0.0.0.0 |
| MCP_PORT | No | 服务端口 | 8000 |
| VLM_DETAIL | No | vision detail：auto/low/high | high |
| VLM_API_KEY | Yes | API key | |
| VLM_TIMEOUT | No | 请求超时秒 | 60 |
| MCP_API_KEYS | No | API key 列表（逗号分隔），启用 Bearer 认证；留空不认证 | |
| VLM_BASE_URL | Yes | OpenAI 兼容 API base URL | |
| VLM_MODEL_ID | Yes | 视觉模型 ID | |
| MCP_TRANSPORT | No | 传输方式：stdio（本地）/ http（远程） | http |
| VLM_MAX_PIXELS | No | 送 VLM 前单边像素上限 | 2048 |
| ANNOTATE_FONT_PATH | No | 中文字体路径，默认用项目自带 fonts/SimHei.ttf，再回退系统字体 | |
| VLM_AUTO_PREPROCESS | No | 是否自动缩放过大图 | true |
| VLM_OPENAI_LLM_EXTRA_BODY | No | 透传给 API 的 extra_body（JSON 字符串），如 {"thinking":{"type":"disabled"}} |
Instructions
Guidance the server publishes about itself, which clients place ahead of the tool catalog so the model reads it before choosing anything.
This server publishes no instructions, or was last inspected before Glama recorded them.
Capabilities
Features and capabilities supported by this server
Protocol revision2025-11-25
| Capability | Details |
|---|---|
| tools | {
"listChanged": true
} |
Tools
Functions exposed to the LLM to take actions
| Name | Description |
|---|---|
| vision_qaA | 对图片进行视觉问答。传入图片和问题，返回基于图片内容的文字回答。 适用于检查Web页面、PPT页面等是否符合特定要求或样式。 参数：
返回：基于图片内容的文字回答 |
| vision_describeA | 详细、真实地解读图片中的内容。忠实描述图片中可见的所有内容，不推测或脑补。 参数：
返回：图片内容的详细文字描述 |
| vision_detectA | 在图片中检测指定目标，返回结构化的位置信息（0-1归一化包围盒）。 传入图片和要检测的目标描述，返回所有检测到的目标的位置信息。 参数：
返回：JSON格式的检测结果，包含每个目标的标签、归一化包围盒和置信度。 { "detections": [ { "label": "对象描述", "bbox": { "x_min": 0.1, "y_min": 0.2, "x_max": 0.3, "y_max": 0.4 }, "confidence": 0.95 } ] } 包围盒坐标为0-1归一化值，x_min/y_min为左上角，x_max/y_max为右下角。 |
| vision_ocrA | 提取图片中的所有文字信息。 返回图片中所有可见的文字内容，包括标题、正文、标签、按钮文字等。 参数：
返回：JSON格式的OCR结果，包含文字块列表和完整文字。 { "text_blocks": [ { "text": "文字内容", "bbox": { "x_min": 0.1, "y_min": 0.2, "x_max": 0.3, "y_max": 0.4 } } ], "full_text": "所有文字的完整拼接" } |
| image_get_metadataA | 获取图片的重要属性和元信息。 返回图片的宽度、高度、格式、通道数、色彩空间、DPI、是否有Alpha通道、EXIF方向等。 参数：
|
| image_resizeA | 缩放图片到指定尺寸。 支持三种模式：
参数：
返回：缩放后的图片（base64 PNG）和元信息 |
| image_cropA | 裁剪图片的指定区域，返回裁剪后的子图。 参数：
返回：裁剪后的图片（base64 PNG）和元信息 |
| image_rotateA | 旋转图片指定角度。 参数：
返回：旋转后的图片（base64 PNG）和元信息 |
| image_flipA | 对图片进行水平或垂直镜像翻转。 参数：
返回：翻转后的图片（base64 PNG）和元信息 |
| image_concatA | 将多张图片拼接为一张。 支持三种布局：
参数：
返回：拼接后的图片（base64 PNG）和元信息 |
| image_draw_boxA | 在图片上绘制方框标记，可添加文字标签。 适用于标注检测结果、标记图片中的特定区域等。 参数：
返回：标注后的图片（base64 PNG）和元信息 |
| image_draw_textA | 在图片上绘制文字，支持中文。 适用于在图片上添加注释、说明文字等。 中文字体支持：优先使用VISION_MCP_FONT_PATH指定的字体文件，其次尝试系统CJK字体。 参数：
返回：标注后的图片（base64 PNG）和元信息 |
Prompts
Interactive templates invoked by user choice
| Name | Description |
|---|---|
No prompts | |
Resources
Contextual data attached and managed by the client
| Name | Description |
|---|---|
No resources | |
TDQS
Scored across 12 tools
The vision_ tools are mostly distinct: qa asks questions, describe gives faithful descriptions, detect returns bounding boxes, and ocr extracts text. The image_ tools are clearly separated by operation. There is slight overlap between vision_qa and vision_describe, but the parameter and return descriptions make their use cases reasonably distinguishable.
Tool names follow a clear two-prefix convention: vision_* for understanding tasks and image_* for manipulation/annotation tasks. Minor deviations exist—vision_qa and vision_ocr are noun-like rather than verb-like, and image_get_metadata uses get while other image tools do not—but overall the naming is readable and predictable.
Twelve tools is a well-sized surface for a vision MCP server: four vision analysis tools and eight image processing/annotation tools. Each tool covers a distinct operation without bloat.
The tool set covers the core vision workflow well: understand, describe, detect, OCR, transform, and annotate images. Minor gaps like explicit format conversion or color/quality adjustments exist, but they are not critical for typical visual QA and image inspection use cases.