media-gen-mcp

Claude Code 的「图像全家桶」—— 造图、画想法、看懂图,一句话搞定,全免费。

给 Claude Code 装一次,以后所有图像活儿都是一句话。 设计师出图、程序员画架构图、运营做分享卡、财务抠发票表格 —— 生图 / 视频 + 识别 + 画图 / 卡片 / 二维码全覆盖,全免费(免费服务方 + 本地引擎,装上即用)。

每周做几次图、装 N 个工具记 N 套参数很烦?这里只装一次,所有图像场景都丢给 Claude。

简体中文 | English | Deutsch | Español | Français | 日本語 | Português | Русский

目录

• 你说一句话,得到什么

• 60 秒上手

• 能力全家桶

• 配置详解

• 常见问题

• 这是给谁的

• 支持作者

• License

Related MCP server: jimeng_visual_generation

你说一句话,得到什么

不用学工具名,不用装系统依赖,Claude 自动挑最合适的方式完成。

60 秒上手

核心思路:画图 / 卡片 / 二维码 / 公式是本地引擎,识图(OCR 文字识别)也默认进程内兜底——全部不调 AI、不连网,装上即用。只有 AI 写实图 / 视频才需要免费 API Key —— 把"第一张图"和"第一次读图"都提前到注册之前。

30 秒｜一行接入(零 Key)

# 一行装上(不带 Key,30 秒)
claude mcp add media-gen-mcp npx media-gen-mcp-server

# 重启 Claude Code → 输入 /mcp → 看到 media-gen-mcp ✓ Connected 即成功

30 秒｜免 Key 立刻出第一张图

直接对 Claude 说一句:

做张深色科技风的分享卡,标题:Claude Code 图像全家桶

→ 矢量图自动落盘到 output/,打开就能用。你还没注册任何 API Key,已经拿到结果。

下面这些也都是零 Key 零联网即时出:

• 「做个指向 github.com 的二维码」

• 「把 E=mc² 渲染成高清公式」

• 「画个架构图:客户端 → 网关 → 订单服务 + 支付服务 → 数据库,深色科技风」

• 「识别这张验证码图片里的数字」(OCR,默认进程内,不装任何东西)

• 「把这张截图里的英文文字提取出来」

想要中文 SOTA 识图 / 看图问答?配一行智谱 GLM Key(零部署,可选)

默认轻量引擎对英文 / 数字够用,中文准确率一般。不想自建 PaddleX / vLLM,又想要中文 SOTA + 复杂表格 + 看图问答? 配一行智谱 GLM Key 即可 —— 云端 GLM-4.6V-Flash 永久免费,零部署、零本地资源:

# ① 到 https://open.bigmodel.cn/console/apikey 注册免费账号 + 申请 api_key(格式 {id}.{secret})
#    注意:只接受 open.bigmodel.cn 标准 key;Code Plan key(ZAI_API_KEY)不可用 —— 它绑定 Z.ai 端点 + 白名单工具,违规调用会封号

# ② 写到 ~/.media-gen-mcp/config.json
{
  "providers": {
    "glm-vision": { "apiKey": "你的{id}.{secret}" }
  }
}

# ③ 回 Claude Code 说:"识别这张中文发票截图里的表格" / "这张图里有几个人?在做什么?"
#    → 中文 SOTA 识别 + 看图问答,落盘 / 直接回答

配好后 MCP 自动纳入 fallback 链:paddle → glm-vision → vlm → tesseract;哪一档临时挂掉自动降级,你无感。详见配置详解 · 档位 2。

想要 AI 写实图 / 视频?再加免费 API Key(可选)

# ① 拿免费 API Key(推荐 Agnes,默认服务方)
#    https://platform.agnes-ai.com/ → 注册 → API Keys → 复制 sk-xxx
#    (智谱 cogview-3-flash / cogvideox-flash 也永久免费,可二选一或都配)

# ② 写到 ~/.media-gen-mcp/config.json(只配一家也行)
{
  "providers": {
    "agnes": { "apiKey": "sk-你的agnes-key" }
  }
}

# ③ 回 Claude Code 说:"画只赛博朋克橙猫,写实风"
#    → AI 写实图落盘。视频同理:"生成 5 秒海边日落视频"

不想用 npx?全局装也行:先 npm i -g media-gen-mcp-server,再 claude mcp add media-gen-mcp -s user "$(which media-gen-mcp-server)"。

能力全家桶

直接对 Claude 说你想干嘛,它自动挑最合适的方式完成。下面按「你想做的事」分组 —— 你不用知道背后叫什么。

造一张图(从无到有)

画一张写实照片或插画

你:"画只赛博朋克橙猫,霓虹辉光,写实风" 得到:写实图落盘到 output/(也支持插画 / 产品概念图 / Logo 草稿 / 科幻场景)

把一句话或一张图变成短视频

你:"生成 5 秒海边日落视频" 得到:MP4 视频(3–18 秒;长视频后台生成,完成后通知你取片)

抓一个图标或品牌 Logo

你:"抓一个 GitHub 的 Logo,128 像素" 得到:20 万+ 图标库里的矢量 Logo,即下即用(GitHub / Twitter / Material / Lucide / Font Awesome 等)

看懂一张图 / 一份 PDF(把图和文档变数据)

从截图里抠出文字

你:"把这张验证码里的数字读出来" 得到:纯文本(验证码 / 发票号 / 扫描文档 / 聊天记录都能抠)

把表格图变成 HTML / Markdown

你:"识别这张发票截图里的表格" 得到:可直接粘贴的 Markdown 表格(发票 / 报表 / 扫描件不用再手动重打)

从图表反推原始数据点

你:"把这张柱状图读成数据" 得到:CSV / JSON 结构化数据(柱状 / 折线 / 饼图都行)

让它用大白话讲讲这张图

你:"这张图里一共有几个人?在做什么?" 得到:自然语言回答(看图问答 / 手写 / 公式 / 复杂场景理解)

把整份 PDF 的文字抠出来

你:"把这份 20 页 PDF 报告的文字全抠出来,导出 Markdown" 得到:整篇文本 / Markdown / JSON —— 数字版 PDF 直接抽文字层秒出,扫描件自动逐页渲染 + OCR;支持指定页码范围(3 / 1-10 / odd / last)、忽略水印 / 页眉页脚区域、多页合并或分页输出;长文档后台跑,完成通知你取结果(发票 / 合同 / 财报 / 论文 / 扫描书都行)

让识图 / 读 PDF 结果更干净、更顺读

你:「把这份合同扫描件提文字,水印和红章忽略掉」「这份双栏论文按阅读顺序合并成一段」 得到:干净、连续的文本 —— 两个开关在所有识图 / PDF 提取里都能用:

• 忽略区域:圈出水印 / 红章 / 页眉页脚 / 表头区域,识别结果自动剔除,合同 / 证书 / 扫描件不再被水印糊住

• 多栏阅读序:论文 / 报刊 / 简历 / 双栏 / 三栏排版,自动按人类阅读顺序合并成单栏连续文本,不再串行错位

先问一句"我装的识别服务都能干啥"

你:"我现在能识别表格吗?中文 OCR 配好了吗?手写识别能用吗?" 得到:当前能力清单 —— 三档识别服务哪个已配置 / 哪个没配 / 哪个正在冷却或出错,以及"要做表格识别该走哪个、手写识别该走哪个"的路由建议;先问一句再动手,避免直接调用才发现报错

把想法画清楚(免 Key,装上就能用)

画结构图

你:"画个架构图:客户端 → API 网关 → 订单服务 + 支付服务 → 数据库" 得到:矢量架构图(也支持流程图 / 时序图 / 类图 / ER 图 / 思维导图)

画交互式 / 动态 HTML 图(浏览器打开可交互,边数据流 + 节点动画,主题跟随系统深/浅色)

你:"画个架构图,浏览器打开能交互、能动、主题跟着系统走" 得到:单文件 HTML(D2 双调色板默认开箱即反色 + viewer 平移/缩放/主题切换/导出 SVG + 边数据流/依次高亮/节点入场三种动画,Motion Governor 自动守无障碍)

画可下钻的嵌套架构图(浏览器打开点层进入子架构,面包屑回溯任意层)

你:"把这套系统画成嵌套架构图:顶层 5 大模块,点'订单服务'进它的内部架构,再点进创建订单的时序图" 得到:单文件 HTML(点某层 → 切到那层内部架构,层级可任意嵌套,每层可以是架构图 / 时序图 / 类图 / ER 图 / 流程图;面包屑或 Esc 回任意祖先层;URL 深链分享到某一层;主题跟随系统深/浅色)

把数据画成图表

你:"把这组销售数据画成柱状图" 得到:高清数据图表(柱状 / 折线 / 饼图 / 面积 / 散点,丢一串数字或一份 CSV 都行)

做卡片 / 海报 / 二维码(发出去好看)

做分享卡 / OG 图 / 引言卡 / 封面 / 海报

你:"做张深色渐变分享卡,标题 7 月新品 🚀" 得到:排版精美的卡片(标题、副标题、渐变色、辉光、彩色 emoji、Logo 内嵌全自动,中文与日文汉字不乱码)

生成二维码

你:"做个指向 github.com 的二维码" 得到:矢量二维码(URL / 文本都行,海报印刷也清晰)

把数学公式渲染成高清图

你:"把 E=mc² 渲染成高清公式" 得到:矢量公式(LaTeX、复杂分式、化学方程式都支持)

做酷炫动效 / 科技感图形(同输入永远同输出)

把 SVG 渲染成高清 PNG

你:"画一个带辉光、星场、景深的科技感背景" 得到:酷炫 PNG,自动选最佳渲染方式保真不失真

把 HTML / CSS 动画变成视频

你:"做一个 3 秒的产品片头动画,渐变色 + 粒子" 得到:MP4 / GIF / WebM 视频(产品片头 / 品牌动画 / 动效演示,逐帧渲染,同输入永远同输出)

小提示:造图 / 读图走联网 AI;画图 / 卡片 / 二维码 / 动画是本地引擎 —— 装上就能用、矢量高清、同样的输入永远出同样的图。

配置详解

一句话:结构化能力(画图 / 图表 / 卡片 / 二维码 / 公式)零配置开箱即用;AI 生成配一行 API Key;识图默认零配置,要中文 SOTA / 表格 / 图表才自托管。 你想用的能力决定要配什么 —— 不用全配。

按「我想干什么」查配置

一、生成类配置(AI 生图 / 视频)

默认服务方:Agnes(免费层永久有效,文生图 + 文生视频全开放)。智谱为备选(中文场景原生优化)。

配一家就够(以下是完整 config.json,只填一家也行):

{
  "providers": {
    "agnes": { "apiKey": "sk-你的agnes-key" },
    "zhipu": { "apiKey": "你的智谱-key" }
  },
  "defaultProvider": "agnes",
  "outDir": "/absolute/path/to/output"
}

免费 API Key 怎么拿:

• Agnes(推荐,默认):https://platform.agnes-ai.com/ → 注册 → API Keys → 复制 sk-xxx

• 智谱:https://open.bigmodel.cn/ → 注册 → API Keys(免费模型:cogview-3-flash / cogvideox-flash,永久免费)

配两家更稳:任一家临时挂掉(限流 / 服务波动),另一家自动顶上,你零感知、零重复扣费。

配置文件位置:~/.media-gen-mcp/config.json(macOS / Linux)或 %USERPROFILE%\.media-gen-mcp\config.json(Windows)。

这个文件没有也不会崩 —— 结构化能力和默认 OCR 照常工作,只是不能调 AI 生成。

二、识别类配置(识图 / OCR / 表格 / 图表 / 视觉理解)

识别能力分四档,按需选装,默认就能用第一档。

档位 1:默认轻量引擎(零配置,装上即用)

• 能干什么:英文 / 数字 / 验证码 / 简单文档 OCR

• 要不要装服务:不用,以 WASM 形式打包进 MCP 进程,首次调用时自动加载语言模型

• 最小资源需求:

  • CPU:任意(纯 CPU 运行,无 GPU 依赖)

  • GPU:不需要

  • 内存:约 200–500MB(随图片大小波动)

  • 磁盘:约 30–50MB(WASM 引擎 + 语言包)

  • 模型大小:含在上面磁盘占用里(英文语言包,几 MB 级)

• 速度:单张约 3–5 秒

• 适合谁:90% 的轻量 OCR 场景、海外文档、验证码识别

大多数用户到这一档就够,下面三档是可选加强。

档位 2:智谱 GLM-4.6V-Flash(云端免费,零部署,中文 SOTA + VQA)

• 能干什么:中文 OCR(SOTA 级)、复杂表格(多层表头 / 合并单元格)、图表分析、看图问答(VQA)—— 全 4 task,云端 GLM-4.6V-Flash

• 要不要装服务:不用,智谱开放平台云端 API,注册账号拿 api_key 即可

• 最小资源需求:零(纯 HTTP 调用,无 CPU / GPU / 磁盘开销)

• 速度:单张约 1–3 秒(云端,含网络往返)

• 费用:GLM-4.6V-Flash 永久免费(128K 上下文 + 32K 输出),对标 GLM-4-Flash 文本免费策略

• 适合谁:想要中文 SOTA + VQA 但不想自建 PaddleX / vLLM 的用户;完美补上档位 3/4 自建服务的部署门槛

• 怎么配:到 open.bigmodel.cn 注册免费账号 + 申请 api_key(格式 {id}.{secret}),在 config.json 加:

  {
    "providers": {
      "glm-vision": { "apiKey": "你的{id}.{secret}" }
    }
  }

  默认模型 glm-4.6v-flash,可经 providers["glm-vision"].model 改为 glm-4v-flash(免费轻量)或付费视觉模型(glm-4.6v / glm-ocr 等)。配置后 MCP 自动纳入 fallback 链:paddle(10)→ glm-vision(9)→ vlm(8)→ tesseract(1)。

• ⚠️ 合规说明(重要):

  • 仅接受 open.bigmodel.cn 标准 api_key;Code Plan key(ZAI_API_KEY)不可用 —— 绑定 Z.ai 专用端点 + 限 9 个白名单工具(Claude Code / Cline / Cursor 等,media-gen-mcp 不在内),违规调用 3 次封号且订阅费不退

  • 多 key 轮换(apiKeys: ["k1", "k2", ...])技术上支持,但智谱 User Agreement §2/§3 禁止多账号 / 账号共享 —— 多 key 轮换可能违约,平台有权封号。请确认所有 key 均为合规自有账号

档位 3:PaddleX / PP-StructureV3(中文 SOTA + 表格识别)

• 能干什么:中文 OCR(效果显著强于默认引擎)、版面分析、发票 / 报表 / 扫描件 → HTML/Markdown 表格、图表读数

• 要不要装服务:要,自托管 PaddleX REST 服务,MCP 通过 baseUrl 调用

• 最小资源需求(实测):

  模式	最低门槛	推荐	说明
  GPU 模式	RTX 3060 12GB VRAM	RTX 3060 12GB / Tesla T4	模型加载约 2.4GB,处理复杂 PDF 峰值约 6GB
  CPU 模式	4 核 CPU + 8GB 内存	8 核 + 16GB 内存	能跑(轻量文档可用),批量 / 复杂 PDF 明显慢 3–5 倍
  磁盘	约 3GB	约 5GB	paddlepaddle + paddlex + 模型权重
  模型大小	约 100–300MB(单pipeline)	—	多 pipeline 累加

• CUDA 要求:Compute Capability ≥ 7.0(V100 / T4 / RTX 20/30/40 系;50 系暂未完全适配),需 CUDA 11.8 + cuDNN 8.9 + TensorRT 8.6 才有 GPU 加速

• 怎么装:

  pip install paddlex paddlepaddle          # GPU 版:paddlepaddle-gpu
  paddlex --serve --pipeline PP-StructureV3.yaml --port 8080

  然后在 config.json 加一行:

  {
    "providers": {
      "paddle": { "baseUrl": "http://127.0.0.1:8080" }
    }
  }

档位 4:vLLM + Qwen2.5-VL(通用视觉理解 VLM)

• 能干什么:看图问答、手写识别、公式识别、复杂场景自然语言描述 —— PaddleX 搞不定的"理解类"任务

• 要不要装服务:要,自建 vLLM 推理服务

• 最小资源需求(实测):

  模式	最低门槛	推荐	说明
  GPU 满精度 7B(FP16)	16GB VRAM	24GB VRAM(RTX 3090 / 4090 / A5000)	模型权重约 15–16GB + KV cache,vLLM 默认占用 90% 显存
  GPU 量化 7B(INT8/AWQ)	10–12GB VRAM	16GB VRAM	量化版可塞进 RTX 4080 / 4060 Ti 16GB
  GPU 轻量版 3B	6–8GB VRAM	GTX 1660 / 3060 6–8GB	FP16 约 6–8GB,INT4 约 3–4GB,个人开发者甜点
  CPU 模式	不推荐	—	能跑但慢 5–10 倍,生产场景请上 GPU
  内存	16GB	16–32GB	—
  磁盘	约 14GB(7B 权重)	—	3B 约 6GB
  CUDA 要求	Compute Capability ≥ 7.0	—	Tesla T4(7.5)起步,V100 / A100 / RTX 30/40 系均可

• 怎么装:

  pip install vllm
  vllm serve Qwen/Qwen2.5-VL-7B-Instruct --port 8000
  # 看到 "Uvicorn running on http://0.0.0.0:8000" 即就绪

  更多参数(GPU 选择 / 量化版本 / 并发上限)见 vLLM 官方文档。然后在 config.json 加:

  {
    "providers": {
      "vlm": { "baseUrl": "http://127.0.0.1:8000" }
    }
  }

进阶:Unlimited-OCR 长文档解析(SGLang/vLLM 自托管)

档位 4 默认 Qwen2.5-VL 是通用 VLM(看图问答 / 场景描述强)。如果你要的是长文档 OCR / 复杂表格 / 多页 PDF 一次性解析(单图几千~上万字),切到 baidu/Unlimited-OCR(MIT,Deepseek-OCR 路线推进一步)。它训练分布只用 2 词 prompt document parsing.,长输出靠 custom_logit_processor(DeepseekOCRNoRepeatNGram)防退化,与 Qwen2.5-VL 是不同档位的工具。

配 Unlimited-OCR 时,vlm provider 自动通放全 4 task(extract-text/extract-table/describe-image/analyze-chart),且 extract-text / extract-table 走 README 单图契约短 prompt;describe-image(VQA)与 analyze-chart(JSON 抽取)仍走原长 prompt —— 你不用手写 prompt override,MCP 按模型自动选。

部署(SGLang,推荐 — 支持 custom_logit_processor 全特性):

# 拉镜像(详见 Unlimited-OCR README)
docker pull vllm/vllm-openai:unlimited-ocr          # 默认 CUDA 13.0
# Hopper GPU 用 cu129:
# docker pull vllm/vllm-openai:unlimited-ocr-cu129

# 启动 SGLang server(关键参数解释见 Unlimited-OCR README「SGLang」节)
python -m sglang.launch_server \
  --model baidu/Unlimited-OCR \
  --served-model-name Unlimited-OCR \
  --attention-backend fa3 --page-size 1 \
  --mem-fraction-static 0.8 --context-length 32768 \
  --enable-custom-logit-processor \
  --host 0.0.0.0 --port 10000

custom_logit_processor 是 Python 端 DeepseekOCRNoRepeatNGramLogitProcessor.to_str() 的字符串化产物(SGLang 私有序列化格式,TS 侧无法合成)。部署期跑一次取串,粘进 config.json:

# 在装了 sglang 的 Python 环境里跑一行:
python -c "from sglang.srt.sampling.custom_logit_processor import DeepseekOCRNoRepeatNGramLogitProcessor as P; print(P.to_str())"
# 输出一行长字符串,复制到下面 config.json 的 custom_logit_processor 字段

config.json 示例(把 vlm 切到 Unlimited-OCR + 配置 extra_body 扩展字段):

{
  "providers": {
    "vlm": {
      "baseUrl": "http://127.0.0.1:10000",
      "models": { "default": "Unlimited-OCR" },
      "extra_body": {
        "images_config": { "image_mode": "gundam" },
        "custom_params": { "ngram_size": 35, "window_size": 128 },
        "custom_logit_processor": "<上一步 python -c 打印的串>",
        "skip_special_tokens": false
      }
    }
  }
}

字段含义(全部顶层,SGLang OpenAI 兼容 API 接受;MCP 直接 Object.assign 摊平进 fetch body):

⚠️ task 门控(重要):extra_body(含 custom_logit_processor / skip_special_tokens:false / images_config.image_mode:gundam)只在 extract-text / extract-table(OCR 路径)上摊入 fetch body —— describe-image(VQA)和 analyze-chart(JSON 抽取)不带这些字段。原因:NoRepeatNGram(ngram_size=35)会压制 VQA 描述里合理重复词;skip_special_tokens:false 会把 OCR 结构 token 泄漏进 description / 污染 analyze-chart 的 JSON.parse;image_mode:gundam(crop_mode=true)切片整图会破坏场景级 VQA 整体理解。这是 model-aware 短 prompt 门控(promptForUnlimited)的对称设计 —— describe-image / analyze-chart 仍走原长 prompt,也仍走干净 body。若你需要对 describe-image / analyze-chart 强制传扩展字段,用 per-call extra(在 extract_text / extract_table / describe_image / analyze_chart 工具的 extra 参数里传),它不受 task 门控约束。

调用:extract_text 工具显式传 provider=vlm(否则走 defaultVisionProvider=tesseract):

extract_text(image="data:image/png;base64,...", provider="vlm")

重要限制:

• 非 stream 模式:media-gen-mcp 走 vLLM/SGLang 的非 stream /v1/chat/completions(JSON 一次性返回),适合单页 / 中短文档。Unlimited-OCR 的 infer.py 默认 stream:true,不要把 stream:true 抄进 extra_body —— MCP 检测到会 reject 并提示「请移除 extra.stream」。超长 PDF 建议先用 PyMuPDF 拆页(README 给了 pdf_to_images snippet)再逐页调 extract_text,每页独立请求天然规避超长输出。

• server 超时:长文档生成耗时高,vLLM 默认 60s 不够时改 SGLang REQUEST_TIMEOUT 或 vLLM --timeout-keepalive。

• GPU 门槛:16–24GB VRAM(同档位 4);跑不动者继续用 paddle(10)/glm-vision(9) 链。

License:MIT(对齐纯免费立场,与 Qwen Apache-2.0 同档,企业可商用)。

四档对比速查

自建三档(1/3/4)刻意只选 Apache 2.0 引擎(tesseract.js + PaddleOCR + Qwen2.5-VL),避开 AGPL / GPL / 商用申请陷阱,企业可直接商用。档位 2 智谱是云端 API(GLM-4.6V-Flash 永久免费,用户自备 key),非自建 —— 适合不想部署服务器的用户补齐中文 SOTA + VQA 能力。

三、自动兜底机制(配了就不用管)

• 生成侧:Agnes ↔ 智谱,任一家失败自动切另一家(60 秒内连续失败触发软切换,你不用重启、不用改配置)

• 识别侧:默认轻量引擎(进程内兜底)→ PaddleX → vLLM,按能力自动降级

• 唯一例外:视频轮询取片时不切换(避免拿到错的结果)

• 你要做的:配两家生成 API Key + 可选装一档识别服务,剩下的交给 Claude

你机器跑不动 PaddleX 或 vLLM?继续用默认轻量引擎即可,MCP 不会因为没装本地服务而报错 —— 只是中文 SOTA / 表格 / 看图问答 这几项能力不可用,其它全照常。

常见问题

Q:不装任何东西能用吗? A:能。装上 MCP 就有画图 / 卡片 / 二维码 / 公式 / 数据图表 + 英文 / 验证码 OCR,全部本地跑,零联网。

Q:识别中文乱码吗? A:默认轻量引擎对英文 / 数字 / 简单文档够用,中文准确率一般。要中文 SOTA 自托管 PaddleX(GPU 12GB 或 CPU 4 核 8GB),详见上方配置详解。

Q:AI 视频要等多久? A:5 秒视频约 1–3 分钟,18 秒视频可能 5–10 分钟。后台异步生成,完成后自动通知你取片;预估 ≤60 秒的会同步等。

Q:我的 RTX 3060 能跑表格识别吗? A:能。PaddleX GPU 模式最低 12GB VRAM(RTX 3060 12GB 正好),CPU 模式 4 核 + 8GB 内存也能跑(慢 3–5 倍)。详见配置详解。

Q:中文 / emoji / 渐变能正常出吗? A:能。分享卡通过内置中文字体 + 排版引擎全自动支持中文、日文汉字、彩色 emoji、渐变标题、辉光效果,无需额外字体配置。

Q:支持 Mermaid 吗? A:不支持(需要浏览器)。用 D2 或 Graphviz 代替,能力等价且更稳,矢量输出。

Q:踩限流(429)? A:免费层有每分钟请求数限制。配两家服务方(Agnes + 智谱)后自动切换,基本无感。

Q:视频帧数限制? A:随分辨率递减 —— 1080p ≤ 241 帧(约 10 秒),720p 可达 441 帧(约 18 秒)。可问 Claude 查实时约束。

Q:npx 连不上 / 启动慢? A:全局装也行:先 npm i -g media-gen-mcp-server,再 claude mcp add media-gen-mcp -s user "$(which media-gen-mcp-server)"。

Q:能用敏感词 / 武器 / 战争题材吗? A:真实武器词会触发内容过滤。改用科幻设定词(如"未来战甲"、"机甲")可绕过,效果等同。

Q:Claude 会不会选错工具?(比如「做张分享卡」时去调生图) A:这类模糊请求的路由已经做过校准 —— 「做卡片 / 海报 / OG 图」「把图表里的数据读出来」「做产品片头动画」「画架构图 / 流程图」「把这组数据画成柱状图」等会自动落到合适的专用工具,无需手动纠正。当然你也可以在请求里直接点名某个工具。

这是给谁的

• Claude Code 重度用户 —— 每周都要做几次图像任务,不想为每件事装一个 MCP、记一套参数。

• 写技术文档 / 博客的开发者 —— 反复需要架构图、时序图、ER 图、数据图、公式,不想离开工作流。

• 个人开发者 / 独立产品 —— 关注成本(全免费)与可控(同输入同输出),不想为图像任务单独搭后端。

• 数据 / 财务 / 法务 —— 双向场景:把数据画成图表,从截图 / 发票 / PDF 报告 / 合同里反向抽数据点(水印 / 红章可忽略,双栏论文按阅读序合并)。

• 教育 / 学术 —— 学生从课件截图 / 扫描讲义 / 论文 PDF 提文字、把双栏论文合并成连续文本、问图表里读出的数据;老师把纸质试卷扫描件变成可编辑文本。

• 运营 / 内容创作者 / 公众号作者 —— 分享卡 / OG 图 / 海报 / 二维码,中文 + 彩色 emoji + 渐变开箱即用。

不太适合:不用 Claude Code 的用户;只要单一能力且已搭好流水线的工程化团队;需要付费商用模型 / 训练微调 / 实时视频 OCR 的场景(这些超出免费 MCP 范围)。

💝 支持作者

如果 media-gen-mcp 帮到你,欢迎请作者喝杯咖啡 ☕

或 ⭐ Star 这个仓库、提 Issue / 发 PR —— 都是对作者的鼓励与支持。

License

MIT —— 主体代码随便用。

识别侧依赖全栈 Apache 2.0(tesseract.js + PaddleOCR + Qwen2.5-VL),企业商用无 license 风险。

技术细节:服务方与引擎都可插拔,结构化工具同输入同输出可入 git,失败自动切换服务方。贡献者详见 CONTRIBUTING.md,完整文档见 docs/ 目录。