图片理解 MCP
Lexmin042/vision-mcp-server
1 Stars
220 次浏览
更新于 2026-08-23
这是一个为纯文本大模型添加视觉能力的MCP服务器。通过调用多模态API，使得DeepSeek、GLM等纯文本模型也能“看懂”图片。
MCP 服务配置
复制以下 JSON 到 OPClaw 或其他 MCP 客户端的配置文件中即可使用
{
"mcpServers": {
"@lexmin0412/vision-mcp": {
"args": [
"-y",
"@lexmin0412/vision-mcp"
],
"command": "npx",
"env": {
"VOLC_API_KEY": "你的火山引擎API Key"
}
}
}
}该服务需要配置环境变量：VOLC_API_KEY
服务介绍
vision-mcp
给纯文本大模型加上视觉能力的 MCP Server。通过调用多模态 API，让 DeepSeek、GLM、Kimi 等纯文本模型也能"看懂"图片。
MCP 配置
Claude Desktop
编辑 claude_desktop_config.json：
{
"mcpServers": {
"@lexmin0412/vision-mcp": {
"command": "npx",
"args": ["-y", "@lexmin0412/vision-mcp"],
"env": {
"VOLC_API_KEY": "你的火山引擎API Key"
}
}
}
}
OpenCode
编辑 opencode.jsonc，在 mcp 字段下添加：
{
"mcp": {
"vision-mcp": {
"type": "local",
"command": ["npx", "-y", "@lexmin0412/vision-mcp"],
"enabled": true,
"environment": {
"VOLC_API_KEY": "你的火山引擎API Key"
}
}
}
}
工具
read_image
理解图片内容并返回文字描述。
参数：
| 参数 | 必填 | 说明 |
|---|---|---|
image |
✅ | 图片来源：本地绝对路径或 http(s) URL |
prompt |
❌ | 对图片的具体提问，默认"详细描述这张图片的内容" |
示例：
read_image image=/Users/xxx/截图.png prompt="这个报错信息是什么"
read_image image=https://example.com/chart.png prompt="描述这张图表的趋势"
环境变量
| 变量 | 必填 | 默认值 | 说明 |
|---|---|---|---|
VOLC_API_KEY |
✅ | — | 火山引擎 API Key |
VISION_MODEL |
❌ | doubao-seed-2-0-lite-260428 |
多模态模型名称 |
VISION_BASE_URL |
❌ | https://ark.cn-beijing.volces.com/api/v3/chat/completions |
API 端点 |
VISION_TIMEOUT_MS |
❌ | 60000 |
请求超时（毫秒） |
VISION_MAX_DIM |
❌ | 1024 |
本地图片压缩阈值（像素） |
工作原理
你（含图片路径的文字 prompt）
↓
纯文本 LLM（DeepSeek / GLM / 其他）
↓ 遇到图片 → 调用 read_image 工具
vision-mcp MCP Server
↓ 本地图片 → base64 编码 + 可选压缩
↓ 远程图片 → 直接传 URL
多模态 API（火山引擎 Doubao）
↓ 返回图片文字描述
纯文本 LLM 拿到描述后继续回答你的问题
支持的提供商
目前内置火山引擎 Doubao 系列模型。架构设计上通过 providers/ 目录隔离厂商差异，欢迎提交新厂商的适配。
License
MIT
