Xiaozhi MCP Ocr

小智AI MCP OCR扩展服务

基于小智AI MCP框架的OCR扩展服务，提供截图OCR功能，集成硅基流动DeepSeek-OCR模型。

环境要求

• Python 3.8+

功能特性

• 📸 屏幕截图: 自动进行屏幕截图
• 🔍 OCR识别: 集成硅基流动DeepSeek-OCR模型
• 🔄 MCP协议: 兼容小智AI MCP扩展协议
• 🚀 自动重连: 支持WebSocket连接自动重连
• 📊 日志记录: 完整的操作日志记录

项目结构

xiaozhi-mcp-ocr/
├── config.yaml              # 配置文件
├── mcp_pipe.py              # MCP管道服务
├── main.py                  # 主程序入口
├── requirements.txt         # 依赖包列表
├── run.bat                 # Windows启动脚本
├── README.md               # 项目说明
├── handle/                 # 处理模块
│   ├── loader.py           # 配置加载
│   └── logger.py           # 日志设置
├── services/               # 服务模块
│   └── register.py         # 工具注册
└── utils/                  # 工具模块
    └── ocr/                # OCR工具
        ├── tools.py        # OCR工具注册
        └── screenshot_ocr.py # 截图OCR实现

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置API密钥

编辑 config.yaml 文件，确保OCR配置正确：

ocr:
  api_key: "sk-"
  api_url: "https://api.siliconflow.cn/v1/chat/completions"
  model: "deepseek-ai/DeepSeek-OCR"

3. 启动服务

Windows系统:

run.bat

手动启动:

python mcp_pipe.py main.py

配置说明

MCP服务配置

endpoint:
  url: "wss://api.xiaozhi.me/mcp/?token=your_token"

重连配置

reconnection:
  initial_backoff: 1    # 初始重连等待时间(秒)
  max_backoff: 600     # 最大重连等待时间(秒)

工具功能

截图OCR工具

工具名称: Roco截图文字识别

功能描述: 进行屏幕截图并使用OCR识别图片中的文字内容

参数:

• save_dir (可选): 截图保存目录，默认保存到 tem 文件夹

返回值:

{
  "success": true,
  "screenshot_path": "路径/to/screenshot.png",
  "ocr_result": "识别出的文字内容",
  "message": "截图OCR识别成功"
}

打包说明

项目采用模块化架构，便于后期打包成exe客户端：

1. 依赖管理: 使用requirements.txt管理所有依赖
2. 配置分离: 配置文件独立，便于部署
3. 模块化设计: 功能模块清晰分离
4. 日志系统: 完整的日志记录，便于调试

推荐使用PyInstaller进行打包：

pip install pyinstaller
pyinstaller --onefile --console mcp_pipe.py

故障排除

常见问题

1. 依赖安装失败

- 确保使用Python 3.8+ - 尝试使用国内镜像源: pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

1. OCR API调用失败

- 检查API密钥是否正确 - 确认网络连接正常 - 查看日志文件获取详细错误信息

1. 截图失败

- 确保有屏幕访问权限 - 检查Pillow库是否正确安装

日志查看

日志文件保存在 log/ 目录下，按日期命名，便于问题排查。

技术支持

如有问题，请查看日志文件或联系技术支持。