deepseek-vision-mcp

中文 · English

让任意 MCP 客户端调用本地 Ollama 多模态模型，快速理解你电脑上的图片。

模型说明： 项目名称保留 deepseek-vision-mcp，但服务并不绑定 DeepSeek 模型。默认使用 qwen3.5:2b，也支持其他 Ollama 视觉模型。

为什么用它

Related MCP server: MCP HydroCoder Vision

快速开始

1. 准备视觉模型

确保 Ollama 正在运行，然后拉取一个支持视觉的模型：

ollama pull qwen3.5:2b

也可以使用其他 Ollama 官方库中的视觉模型，例如 qwen3-vl:2b 或 gemma3:4b。

2. 安装项目

git clone https://github.com/kgamv/deepseek-vision-mcp.git
cd deepseek-vision-mcp

python -m venv .venv

macOS / Linux 激活方式

source .venv/bin/activate

Windows PowerShell 激活方式

.venv\Scripts\Activate.ps1

pip install -r requirements.txt

3. 接入 MCP 客户端

将下面的配置加入支持 MCP 的客户端。请把路径换成你电脑上 server.py 的绝对路径：

{
  "mcpServers": {
    "deepseek-vision": {
      "command": "python",
      "args": ["/absolute/path/to/deepseek-vision-mcp/server.py"]
    }
  }
}

配置完成后重启客户端，即可直接提出类似请求：

分析 /path/to/screenshot.png，告诉我页面上有哪些可用操作。

提供的工具

工作原理

flowchart LR
    A["MCP 客户端"] -->|"工具调用"| B["DeepSeek Vision MCP"]
    B -->|"读取本地图片"| C["Base64 编码"]
    C -->|"/api/generate"| D["本地 Ollama"]
    D -->|"视觉模型结果"| B
    B -->|"文本响应"| A

• 使用 stdio 与 MCP 客户端通信。

• 使用 Python 标准库 urllib 调用 Ollama /api/generate。

• 当 response 为空时，会回退读取 thinking 字段，兼容 Qwen3.5 的思考模式。

• 单张图片默认最大 20 MB，请求超时为 300 秒。

配置

macOS / Linux

export OLLAMA_VISION_MODEL=qwen3-vl:2b
python server.py

Windows PowerShell

$env:OLLAMA_VISION_MODEL = "qwen3-vl:2b"
python server.py

常见问题

先运行 ollama serve，再访问 http://localhost:11434/api/tags 检查服务是否正常。如果 Ollama 在另一台设备上，请设置 OLLAMA_HOST。

运行 ollama list 查看已安装模型，并确认所选模型具备视觉能力。随后将模型名写入 OLLAMA_VISION_MODEL。

确认配置中的 server.py 使用绝对路径，并确保配置使用的 Python 环境已经安装 fastmcp。修改配置后重新启动客户端。

参与贡献

欢迎提交问题和改进。开始开发前请阅读 贡献指南。

License

本项目基于 MIT License 开源。