mimo-vision-mcp

Give text-only LLMs vision capability through MCP, powered by vision models like Xiaomi MiMo-V2.5.

通过 MCP（Model Context Protocol），把视觉模型（如小米 MiMo-V2.5）的图像理解能力暴露给不具备多模态能力的文本 LLM。文本模型遇到图片/截图/图片路径时，可主动调用 analyze_image、describe_image、extract_text_from_image 等工具获得视觉能力。

🚀 一键启动（新手也能 1 分钟上手，无需敲任何命令）

本项目内置 WebUI 一键启动，全程鼠标操作，自动完成所有环境配置，零命令行门槛：

1. 下载 / 克隆本项目到本地

2. 双击 start-webui.bat（Windows）——脚本会自动创建 .env（从 .env.example）、自动装环境/依赖、启动服务、并自动打开浏览器

3. 浏览器打开后，在网页里填入你的 API Key → 点「应用到 CLI」，或直接拖一张图片进去 → 选个视觉模型 → 点「预览测试」，即可看到视觉模型"看图说话"

首次启动会自动安装依赖（需联网，约 1~2 分钟），之后双击即秒开。 完全不需要懂 Python、不需要手敲 pip、不需要手动创建 .env——脚本全自动完成。

命令行里的文本 LLM 使用视觉能力的完整接入见下方 接入 opencode。

原理

文本模型负责"调度"，视觉模型负责"看"，MCP 是把两者接起来的接口——图片数据本身不经过文本模型。

用户给图片路径/URL
  → ① 文本 LLM 根据工具列表 + 调用指引，决定调用 analyze_image
  → ② opencode / 任意 MCP 客户端（stdio）
  → ③ mimo-vision MCP server（图片归一化 + 转发请求）
  → ④ 视觉模型（MiMo-V2.5 等，经 OpenCode Go / 自定义供应商）真正"看"图
  → ⑤ 文本结果原路返回，文本模型转述给用户

特性

• 一键启动：双击 start-webui.bat 即可，自动装依赖、起服务、开浏览器，新手零门槛

• 开箱即用：默认接入 OpenCode Go，填一个 API Key 即可开始，也可切换小米官方 / 任意自定义供应商

• 基于 OpenAI 兼容协议，stdio 本地传输，可接入 opencode / Claude Desktop / Cursor 等任意 MCP 客户端

• 图片输入灵活：本地路径 / http(s) URL / base64 data URI / 纯 base64 均可

• 支持多图输入、图片格式自动识别（JPEG/PNG/GIF/WebP/BMP）、50MB 限制校验

• 自动按模型选择 API 协议：gpt-*/grok-* 走 Responses API，其余走 chat/completions（可强制指定）

• 内置 WebUI 配置面板：可视化选模型、预览测试，选择即同步到 CLI，无需重启

• 无 API key 时返回友好错误提示，不会崩溃

目录结构

mimo-vision-mcp/
├── mimo_vision_mcp/
│   ├── config.py           # 配置读取（.env 实时重读）+ 应用到 MCP
│   ├── image_loader.py     # 图片输入归一化 + MIME 探测
│   ├── providers.py        # 供应商注册表 + call_vision（chat/responses 适配）
│   └── server.py           # FastMCP server + 3 个工具
├── webui/                  # WebUI 配置面板（FastAPI + 单页 HTML）
├── tests/                  # 单元测试
├── .github/workflows/ci.yml
├── opencode.example.json   # opencode 接入配置示例
├── AGENTS.md               # 文本模型的调用指引
├── start-webui.bat           # 🚀 一键启动（Windows，双击即用）
├── LICENSE
└── pyproject.toml

安装

python -m venv .venv
# Windows: .\.venv\Scripts\python.exe -m pip install -e ".[dev]"
.venv/bin/python -m pip install -e ".[dev]"

配置 API Key

本项目默认走 OpenCode Go 套餐调用 MiMo-V2.5（模型 mimo-v2.5，OpenAI 兼容端点 https://opencode.ai/zen/go/v1）。

1. 在 opencode.ai/auth 订阅 Go，复制 API Key

2. 将 .env.example 复制为 .env 并填写：

   MIMO_API_KEY=你的-opencode-go-key

也可通过环境变量覆盖（config.py 每次调用实时重读 .env）：

切换视觉模型：OpenCode Go 里更快的多模态模型可把 MIMO_MODEL 改成 gpt-5.6-luna（走 /responses）或 minimax-m3。注意 mimo-v2.5-pro 是纯文本模型，不能看图。

运行 MCP server

# 方式一：控制台脚本
mimo-vision-mcp
# 方式二：模块运行
python -m mimo_vision_mcp.server

接入 opencode

参考 opencode.example.json 把 mimo-vision 注册为本地 stdio MCP server：

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "mimo-vision": {
      "type": "local",
      "command": ["<你的python路径>", "-m", "mimo_vision_mcp.server"],
      "enabled": true,
      "environment": { "MIMO_API_KEY": "{env:MIMO_API_KEY}" }
    }
  },
  "experimental": { "mcp_timeout": 120000 }
}

注意：experimental.mcp_timeout（默认 30s）控制 MCP 工具调用超时。视觉请求可能耗时几十秒，需调到 120s 以上；不要在 mcp.mimo-vision 里单独设置 timeout，它会覆盖 mcp_timeout 并导致超时。配置改动后需重启 opencode 生效。

本项目还附带 AGENTS.md（文本模型的调用指引），可通过全局配置 "instructions": ["<路径>/AGENTS.md"] 注入每个会话，让纯文本模型遇到图片时主动调用工具。

工具说明

images 每项支持：

• 本地绝对路径：C:/Users/xx/Pictures/a.png

• 公网 URL：https://example.com/a.jpg

• base64 data URI：data:image/png;base64,....

• 纯 base64 字符串

返回 JSON：{ "result": "...", "error": "", "model": "...", "usage": {...} }

WebUI（交互式前端 · 一键启动）

新手首选入口：图形化界面，上传图片、选模型、看效果，全鼠标操作。

一键启动（最简单，无需懂任何命令）

双击 start-webui.bat（Windows）即可：

1. 脚本自动检查/创建环境、自动安装依赖

2. 自动启动服务并自动打开浏览器

3. 若服务已在运行则直接打开浏览器，不会重复启动

非 Windows 用户手动启动：python -m pip install -e ".[web]" && python -m webui.app，然后浏览器打开 http://127.0.0.1:8000（端口可用 MIMO_WEBUI_PORT 修改）。

界面功能

• 顶部「CLI / MCP 当前生效模型」显示命令行 LLM 实际使用的供应商/模型/风格

• 选好模型后点**「应用到 CLI（同步到 MCP）」**，配置写入 .env，无需重启，CLI 下次调用即用新模型

• 下方「预览测试（不影响 CLI）」用于先试效果

• API Key 存于浏览器 localStorage；「应用到 CLI」时可一并写入 .env

测试

python -m pytest -q

常见问题

• 我不会编程 / 不想敲命令怎么办？：双击 start-webui.bat 即可，脚本会自动创建 .env、装依赖、起服务、开浏览器，全程鼠标操作

• API Key 填在哪？：clone 后没有 .env（仓库只含空模板 .env.example）。双击启动脚本会自动生成 .env，之后在网页里填 Key 并点「应用到 CLI」，或直接编辑 .env 的 MIMO_API_KEY

• 返回"未配置 API Key"：在 .env 配置 MIMO_API_KEY（或直接在 WebUI 里填写并「应用到 CLI」）

• 图片格式不支持：仅支持 JPEG/PNG/GIF/WebP/BMP

• base64 输入报"无法解析"：确认输入为合法 base64，且格式在支持范围内

• MCP 工具调用超时：将 experimental.mcp_timeout 调到 120000ms 以上

许可证

MIT

参考

• OpenCode Go 文档

• Xiaomi MiMo API 文档

• 图片理解指南