MCP Vision

mcp-vision（这个词汇本身可能是一个特定领域或项目中的专有名词，没有直接的中文对应翻译，但可以理解为“MCP视觉”或根据上下文具体翻译为相关领域的术语，如“机器控制协议视觉系统”等，具体需根据实际应用场景确定。）

使用Google Gemini Flash-Lite的极简MCP服务器，用于视觉分析。

它的功能/作用是什么

提供了一个单一的MCP工具，该工具直接将您的图像和一条指令字符串发送到Google Gemini Flash-Lite，并返回模型的原始文本回答。

• 一个工具，一项工作： vision.analyze
• 后端Google AI Studio 或 Vertex AI（任选其一）
• 默认模型： models/gemini-flash-lite-latest
• 模式文本 + 图片（v1版本中无音频/视频）

安装

npm install
npm run build

配置

复制 .env.example 到；向；朝 .env 并进行配置：

选项1：AI Studio（推荐使用，简洁明了）

GEMINI_PROVIDER=ais
GEMINI_API_KEY=your_api_key_here

获取您的API密钥，请访问：https://aistudio.google.com/app/apikey

选项2：Vertex AI

GEMINI_PROVIDER=vertex
GOOGLE_CLOUD_PROJECT=your-project-id
GEMINI_LOCATION=us-central1

认证选项（任选其一即可）：

• 应用程序默认凭据（推荐）：设置 G​OOGLE_APPLICATION_CREDENTIALS=/path/to/key.json 或者逃跑 gcloud auth application-default login
• 用户凭据：运行 gcloud auth login

服务器使用的令牌解析顺序：

1. 如果已安装，请使用 google-auth-library 获取ADC令牌（无需gcloud）
2. gcloud auth application-default print-access-token
3. gcloud auth print-access-token

可选设置

# Use a different model
GEMINI_MODEL=models/gemini-flash-lite-latest

# Auto-resize images - DEFAULT is 2048px (set to 0 to disable)
VISION_MAX_LONG_EDGE=2048

Claude 桌面设置

添加到您的 claude_desktop_config.json：

{
  "mcpServers": {
    "vision": {
      "command": "node",
      "args": ["/absolute/path/to/mcp-vision/dist/index.js"],
      "env": {
        "GEMINI_PROVIDER": "ais",
        "GEMINI_API_KEY": "your_api_key_here"
      }
    }
  }
}

或者使用 npx：

{
  "mcpServers": {
    "vision": {
      "command": "npx",
      "args": ["-y", "mcp-gemini-vision"],
      "env": {
        "GEMINI_PROVIDER": "ais",
        "GEMINI_API_KEY": "your_api_key_here"
      }
    }
  }
}

使用

该工具接受：

输入：

{
  "images": "https://example.com/screenshot.png" | ["/path/to/img1.png", "data:image/png;base64,..."],
  "instruction": "Natural language task for the screenshot(s)."
}

输出：

{
  "text": ""
}

支持的图像格式

• HTTP(S) URL（网址）： https://example.com/image.png
• 文件URL： file:///absolute/path/to/image.png
• 绝对路径： /absolute/path/to/image.png
• 数据URI： data:image/png;base64,iVBORw0KG...

示例说明

重叠检查：

"Return JSON {overlap:boolean, examples:[{text,bbox,reason}]} — do any borders overlap any text?"

美学分析：

"In one sentence: does the hero feel cramped? If so, suggest one fix."

OCR（光学字符识别）：

"What does the toast say? Quote exactly."

提取UI元素：

"Extract all visible button labels as a JSON array."

空白评分：

"Rate hero whitespace 0–1; if <0.6, give exactly one fix."

它是如何工作的

1. 对图像进行归一化处理接受URL、文件路径、file:// URL或数据URI

- HTTP(S) URL 会带超时设置进行获取并验证 - 所有图像均经过验证，确认为真实图像 sharp （防止信息外泄） - MIME类型来源于实际的图像格式，而非文件扩展名

1. 自动调整大小大于2048像素（可配置）的图片会自动缩小尺寸
2. 调用Gemini一次构建包含图像和指令文本的部件数组，设置60秒超时
3. 返回原始数据返回 Gemini 返回的确切内容（不进行模式强制转换）
4. 错误处理在JSON解析时使用try/catch，并回退到文本以获取更好的诊断信息

安全与限制

• 图像验证所有图像均已验证通过 sharp.metadata() 上传前（防止任意文件泄露）
• 尺寸限制每张图片最大18MB，每次请求最多10张图片
• 超时60秒用于HTTP获取和API调用
• 自动调整大小默认开启，设置为2048px VISION_MAX_LONG_EDGE=0 （禁用，但验证仍然运行）
• 仅图片+文字 （v1版本中无音频/视频）

对于较大或经常重复使用的资源，请考虑使用Gemini文件API（未来将进行增强）。

发展

npm run dev    # Watch mode
npm run build  # Compile TypeScript
npm start      # Run compiled server

许可证

麻省理工学院（MIT）