视觉理解 MCP Server
为不支持视觉的编码模型提供图片理解能力。
原理
编码模型（如 GLM-5.1）遇到图片时，自动调用 MCP 工具 understand_image，由视觉模型完成图片识别，结果以文本回传给编码模型继续推理。无需切换模型，上下文不中断。
用户粘贴截图 → 编码模型调用 understand_image → 视觉模型识别 → 文字描述回传 → 继续编码安装方式一：通过 PyPI / uvx 使用（推荐）
MCP 配置示例：
{
"mcpServers": {
"visual-understand": {
"command": "uvx",
"args": ["visual-understand-mcp"],
"env": {
"VISION_API_BASE": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"VISION_MODEL": "qwen-vl-max",
"VISION_API_KEY": "sk-xxx"
}
}
}
}安装方式二：本地源码运行
{
"mcpServers": {
"visual-understand": {
"command": "uv",
"args": [
"--directory", "/path/to/visual-understand-mcp",
"run", "visual-understand-mcp"
],
"env": {
"VISION_API_BASE": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"VISION_MODEL": "qwen-vl-max",
"VISION_API_KEY": "sk-xxx"
}
}
}
}配置项
| 变量 | 说明 | 默认值 | |------|------|--------| | VISION_API_BASE | 视觉模型 API 地址 | 无（必填） | | VISION_MODEL | 视觉模型名称 | 无（必填） | | VISION_API_KEY | 视觉模型密钥 | 无（必填） | | VISION_TEMPERATURE | 输出随机性 | 0.1 | | VISION_MAX_TOKENS | 最大输出长度 | 12000 | | VISION_TIMEOUT | 请求超时（秒） | 120 | | VISION_SYSTEM_PROMPT | 视觉模型系统提示词 | 见下方 |
前三个必填，其余可选。配置也可写入 ~/.visual-understand-mcp/config.json，env 优先级更高。
默认系统提示词：
你是一个图片分析助手，仅用于理解图片内容。请按以下结构分析图片，根据实际内容调整详细程度：1. 文字内容 — 逐字提取图中所有可见文字，保留原始格式和层级关系。2. 错误信息与代码 — 如果图中包含错误信息或代码片段，必须原样输出，不做任何改写或概括；如果没有则忽略此项。3. 视觉布局与元素 — 描述空间排列、尺寸、颜色及关键元素间的关系。UI 截图请识别组件类型及其状态。4. 数据与指标 — 图表、表格请提取数值、坐标轴、标签、趋势及异常数据点。5. 整体概述 — 概括图片的主题、场景和关键信息，提供完整的上下文理解。不适用的部分跳过。只描述图片中可见的内容，不做推理、猜测或延伸解读。保持精确客观，不推测不可见的内容。
建议写入 CLAUDE.md
进行图片识别任务时，使用 visual-understand MCP 的 understand_image 工具。本地调试
uv run mcp dev src/visual_understand_mcp/server.pyLicense
MIT
