Invokeai MCP Server

InvokeAI MCP 服务器

A. 模型上下文协议（MCP） 该服务器集成了InvokeAI与Claude Code，使您能够直接通过您的AI助手实现AI驱动的图像生成、转换和放大功能。


概述

这款MCP服务器在Claude Code和您本地的InvokeAI实例之间搭建了一座无缝桥梁，使您能够在不离开开发环境的情况下实现强大的图像生成工作流。非常适合为您的项目创建标志、图标、插图和其他视觉资产。

特点/特性

• 文本到图像生成根据自然语言描述生成图像
• 图像到图像的转换润色、修改或美化现有图像
• LoRA支持为特定风格（如标志、插图等）应用微调后的LoRA模型
• 全面支持SDXL自动检测并为配备双CLIP编码器的SDXL模型进行适当配置
• VAE覆盖支持使用外部VAE模型来修复不兼容的内置VAE或针对特定用例进行优化
• 基于AI的图像超分辨率技术使用最先进的Spandrel模型将图像分辨率提升至更高（2倍至4倍）
• 灵活的模型支持兼容Stable Diffusion 1.5、SDXL以及自定义微调模型
• 综合参数控制调整生成参数：宽度、高度、步数、CFG比例、调度器和种子
• 队列管理监控并追踪InvokeAI的处理状态

先决条件

• InvokeAI一个可访问的运行实例（v4.0+） http://127.0.0.1:9090 （或自定义URL）
• 克劳德·科德Anthropic的Claude CLI工具已安装并配置完成
• python版本3.8或更高版本
• 硬件具有足够显存（VRAM）以满足您所选模型需求的GPU（参见 模型要求）

安装

选项1：从PyPI安装（推荐）

安装InvokeAI MCP服务器的最简单方法：

pip install invokeai-mcp-server

然后使用代码注册Claude：

# Linux/macOS/WSL
claude mcp add --scope user invokeai python -m invokeai_mcp_server

# Windows
claude mcp add --scope user invokeai python -m invokeai_mcp_server

选项2：通过Smithery进行安装

使用 Smithery CLI 进行安装以实现自动配置：

npx @smithery/cli install invokeai --client claude

选项3：从源代码安装

对于开发或定制：

# Clone the repository
git clone https://github.com/coinstax/invokeai-mcp-server.git
cd invokeai-mcp-server

# Run the automated setup script
./setup.sh

或者手动地：

# Clone the repository
git clone https://github.com/coinstax/invokeai-mcp-server.git
cd invokeai-mcp-server

# Create and activate virtual environment
python3 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install dependencies
pip install -r requirements.txt

配置

仅用于源代码安装

如果你从源代码安装，请使用Claude代码进行注册：

Linux/WSL/macOS：

claude mcp add --scope user invokeai \
  ~/invokeai-mcp-server/venv/bin/python \
  ~/invokeai-mcp-server/invokeai_mcp_server.py

Windows：

claude mcp add --scope user invokeai ^
  C:\path\to\invokeai-mcp-server\venv\Scripts\python.exe ^
  C:\path\to\invokeai-mcp-server\invokeai_mcp_server.py

验证安装

claude mcp list

预期输出：

invokeai: ... - ✓ Connected

注册后，请重启Claude Code或开始新对话以使用工具。

使用方法

可用工具

generate_image

根据文本提示生成图像，可选支持LoRA（低秩适应）功能。

参数：

• prompt (字符串，必填)：要生成的图像的描述
• negative_prompt （字符串，可选）：在生成过程中要避免的元素
• width (整数，可选，默认值：512)：图像宽度（64-2048像素）
• height (整数，可选，默认值：512)：图像高度（64-2048像素）
• steps (整数，可选，默认值：30)：去噪步骤（1-150）
• cfg_scale (float, 可选，默认值: 7.5): 指导尺度（1.0-20.0）
• scheduler (字符串，可选，默认: "euler")：采样调度器
• seed （整数，可选）：用于可重复性的随机种子
• model_key （字符串，可选）：特定的模型标识符
• lora_key （字符串，可选）：用于微调风格控制的LoRA模型标识符
• lora_weight (浮点数，可选，默认值：1.0)：LoRA 强度 (0.0-2.0)
• vae_key （字符串，可选）：用于覆盖模型内置VAE的VAE模型标识符

示例：

Generate a minimalist tech logo with blue and white colors, geometric shapes, flat design

使用LoRA的示例：

Generate a professional logo using the logomkrdsxl LoRA with prompt: "tech startup logo, modern, clean"

img2img

使用文本指导并可选LoRA支持来转换现有图像。

参数：

• image_path (字符串，必填)：源图像的路径或 image_name 来自上一代
• prompt （字符串，必填）：所需转换的描述
• negative_prompt （字符串，可选）：要避免的元素
• strength (float, 可选，默认值: 0.75): 变换强度 (0.0-1.0)
• steps (整数，可选，默认值：30)：去噪步骤（1-150）
• cfg_scale (浮点数，可选，默认值：7.5)：指导尺度（1.0-20.0）
• scheduler (字符串，可选，默认："euler")：采样调度器
• seed （整数，可选）：用于可重复性的随机种子
• model_key （字符串，可选）：特定模型标识符
• lora_key （字符串，可选）：用于微调风格控制的LoRA模型标识符
• lora_weight (浮点数，可选，默认值: 1.0): LoRA 强度 (0.0-2.0)
• vae_key (字符串，可选)：用于覆盖模型内置VAE的VAE模型标识符

示例：

Refine this logo with strength 0.6: /path/to/sketch.png
Prompt: professional polished logo, clean lines, modern aesthetic

使用LoRA的示例：

Transform logo.png with logomkrdsxl LoRA at strength 0.6 to make it more professional

upscale_image

使用AI超分辨率技术提升图像分辨率。

参数：

• image_path (字符串，必填): 图像路径或 image_name 来自上一代
• model_key （字符串，可选）：特定的上采样模型（如果省略，则自动选择）

示例：

Upscale this image to high resolution: generated_logo.png

list_models

列出您的InvokeAI实例中可用的模型。

参数：

• model_type (字符串，可选，默认值: "main")：模型类型 (main, vae, lora, controlnet, embedding, spandrel_image_to_image)

示例：

List all available SDXL models

get_queue_status

检查InvokeAI处理队列状态。

参数：

• queue_id （字符串，可选，默认值：“default”）：队列标识符

模型要求

VRAM需求

| 上采样（Spandrel）| 4GB | 6GB+ | 取决于源图像分辨率 |

推荐型号

基础模型

• Stable Diffusion XL（SDXL）
• 卓越品质，呈现精细图形与插图
• 更出色的文本渲染能力
• 非常适合用于最终生产资源 下载来源：

在HuggingFace上的Stability AI

• Stable Diffusion 1.5
• 更快的生成速度，助力快速原型制作
• 更低的VRAM需求 推荐：造梦者 ，

现实主义视野

• 专用模型（LoRAs） 矢量插画LoRA（注：LoRA在此处可能指的是用于图像生成或编辑的某种技术或模型，但具体含义需根据上下文确定，直译为“矢量插画LoRA”可能不够准确，实际翻译时可能需要根据具体语境调整）
• - 清晰的矢量风格图形 Logo Maker 9000 SDXL（可译为“Logo制作大师9000 SDXL版”）
• - 专为生成标志而设计 扁平化设计的LoRAs

\- 现代UI/UX风格的插图

• 模型仓库： Civitai（可译为“奇维泰”或根据具体语境保留原名，若作为平台名，可译为“奇维泰艺术平台”等）
• - 社区模型和LoRAs（低秩自适应） HuggingFace（注：Hugging Face是一个专注于自然语言处理（NLP）模型的开源平台，提供各种预训练模型和工具，便于开发者进行模型的微调和应用。）

- 官方Stability AI模型 注：

FLUX模型采用了不同的架构，可能与InvokeAI的工作流系统存在兼容性限制。为了获得最佳效果，请使用基于SD 1.5或SDXL的模型。

工作流示例

1. Generate initial concept with LoRA (512x512, 25 steps, logomkrdsxl LoRA)
2. Refine with img2img + LoRA (strength 0.6-0.7)
3. Upscale to high resolution (4x)
4. Export final asset

标志设计流程

1. List available LoRAs: list_models(model_type="lora")
2. Generate with LoRA: generate_image(prompt="...", lora_key="...", lora_weight=1.0)
3. Experiment with weights: Try 0.5 (subtle), 1.0 (standard), 1.5 (strong)
4. Combine with img2img for iterative refinement

LoRA工作流程

1. Generate variations (SD 1.5 for speed)
2. Select best candidate
3. Upscale to production resolution
4. Apply final refinements with img2img

快速原型制作

建筑

1. 该服务器实现了一个基于图的工作流系统，该系统与InvokeAI的节点架构相接口： 模型加载
2. - 初始化选定的SD模型和VAE 提示编码
3. - 通过CLIP处理正面和负面提示 潜在生成
4. - 创建具有指定维度的噪声张量 去噪
5. - 使用扩散过程迭代地优化潜在表示（或隐变量） 解码
6. - 通过变分自编码器（VAE）将潜在变量转换为像素空间 输出

\- 将最终图像保存到InvokeAI的存储中

所有工作流均由服务器根据请求的操作自动构建和管理。

故障排除

服务器无法连接 症状：

MCP服务器未出现在Claude代码工具列表中

1. 解决方案： curl http://127.0.0.1:9090/api/v1/app/version
2. 验证InvokeAI是否正在运行： claude mcp list
3. 检查服务器注册情况：
4. 重启Claude代码或开始新对话 pip install -r requirements.txt

检查Python依赖项：

常见问题

|

卸载

pip uninstall invokeai-mcp-server
claude mcp remove invokeai

如果通过 PyPI 安装：

smithery uninstall invokeai --client claude

如果通过Smithery安装：

claude mcp remove invokeai

如果从源代码安装：

发展

测试

python3 invokeai_mcp_server.py

直接测试服务器：

服务器将以标准输入输出（stdio）模式启动，等待MCP协议消息。

invokeai-mcp-server/
├── invokeai_mcp_server.py    # Main server implementation
├── requirements.txt           # Python dependencies
├── setup.sh                   # Automated setup script
├── README.md                  # Documentation
└── LICENSE                    # MIT License

项目结构

贡献

欢迎贡献！请随时提交问题、功能请求或拉取请求。

许可证 这个项目采用MIT许可证授权——详见 许可证

文件中有详细信息。

• 致谢 建立在
• 模型上下文协议 由……提供动力/支持
• InvokeAI 与……集成在一起

克劳德·科德

• 链接仓库（或代码库）
• https://github.com/coinstax/invokeai-mcp-server 翻译为中文是：“https://github.com/coinstax/invokeai-mcp-server（GitHub上的InvokeAI MCP服务器项目）”。不过，通常在中文语境下，网址本身不会直接翻译，而是说明其指向的内容或项目名称，所以也可以简化为“GitHub上的InvokeAI MCP服务器项目链接”InvokeAI
• https://github.com/invoke-ai/InvokeAI（中文可表述为：“GitHub上的InvokeAI项目链接”）模型上下文协议
• https://modelcontextprotocol.io（该网址可直接翻译为“模型上下文协议网站”，但通常网址不会完全翻译，保留原样使用更为常见）问题