szetop-backend-code-gen-mcp 0.0.3

易图后端代码生成MCP服务

易图代码生成 MPC Server

易图代码生成服务：支持识别设计图或 UI 效果图中的参数与字段，可用于生成代码提示词（Prompt）或直接提取界面内容。

Authors

深圳市易图资讯股份有限公司

功能特点

• 支持图像加表实体直接生成创建 api 的提示词
• 使用 Anthropic Claude Vision、OpenAI GPT-4 Vision 或 Cloudflare Workers AI llava-1.5-7b-hf 进行图像描述
• 方便集成到 Claude Desktop、Cursor 及其他兼容 MCP 的客户端
• 支持 uvx 安装
• 支持多种图像格式（JPEG、PNG、GIF、WebP）
• 可配置主用和备用服务提供商
• 支持 Base64 及文件形式的图像输入
• 可选的 Tesseract OCR 文本提取功能

运行环境要求

• Python 3.8 及以上版本

安装

选项 1：使用 uvx（推荐用于 Trae、Claude Desktop 和 Cursor）

1. 安装 uv 包管理器：

pip install uv

2. 使用 uvx 安装该包：

uvx pip install szetop-backend-code-gen-mcp -i https://pypi.org/simple

3. 按照“配置”部分的说明创建并配置你的环境文件

选项 2：从源码安装

1. 克隆仓库：

git clone http://localhost:3000/root/yt_mcp_services.git
cd szetop-trae-dev/backend_code_gen

2. 创建并配置你的环境文件：

cp .env.example .env
# 使用你的 API 密钥和偏好设置编辑 .env 文件

3. 构建项目：

pip install -e .

集成

Claude Desktop 集成

1. 打开 Claude > Settings（设置） > Developer（开发者） > Edit Config（编辑配置） > * *claude_desktop_config.json**
2. 添加带有内联环境变量的配置：

{
  "mcpServers": {
    "szetop-backend-gen-mcp": {
      "command": "uvx",
      "args": ["szetop-backend-gen-mcp"]
    }
  }
}

Cursor 集成

打开 Cursor Settings（设置） > MCP，并粘贴包含环境变量的命令：

VISION_PROVIDER=openai OPENAI_API_KEY=your-api-key OPENAI_MODEL=gpt-4o uvx szetop-mcp-dev

使用方法

直接运行服务端

如果使用 pip/uvx 安装：

szetop-backend-gen-mcp

从源码目录运行：

python -m etop_mcp_dev.szetop_backend_code_gen_mcp

使用 MCP Inspector 以开发模式启动：

npx @modelcontextprotocol/inspector szetop-backend-gen-mcp

可用工具

1. generate_code_list_prompt

   • 用途：从 UI 设计图或原型图中生成构建列表页（含分页查询接口）所需的提示词（prompt），用于自动生成 Java 代码。
   • 输入：图像文件的路径、涉及的实体类
   • 输出：生成列表页接口的提示词
   • 适用场景：用于具有文件系统访问权限的本地开发

2. describe_image

   • 用途：分析直接上传到聊天界面的图像
   • 输入：Base64 编码的图像数据
   • 输出：图像的详细描述
   • 适用场景：适用于上传至 Claude、Cursor 或其他聊天界面的图像

3. describe_image_from_file

   • 用途：处理来自文件系统的本地图像文件
   • 输入：图像文件的路径
   • 输出：图像的详细描述
   • 适用场景：用于具有文件系统访问权限的本地开发

4. describe_image_from_url

   • 用途：分析来自网页 URL 的图像，无需手动下载
   • 输入：公开可访问图像的 URL
   • 输出：图像的详细描述
   • 适用场景：适用于网页图像、截图或任何具有公共 URL 的图像
   • 注意：使用类似浏览器的请求头以避免速率限制

环境配置

• ANTHROPIC_API_KEY：你的 Anthropic API 密钥。
• OPENAI_API_KEY：你的 OpenAI API 密钥。
• CLOUDFLARE_API_KEY：你的 Cloudflare API 密钥。
• CLOUDFLARE_ACCOUNT_ID：你的 Cloudflare 账户 ID。
• VISION_PROVIDER：主要图像识别提供商（anthropic、openai 或 cloudflare）。
• FALLBACK_PROVIDER：可选的备用提供商。
• LOG_LEVEL：日志级别（DEBUG、INFO、WARNING、ERROR）。
• ENABLE_OCR：启用 Tesseract OCR 文本识别（true 或 false）。
• TESSERACT_CMD：可选的 Tesseract 可执行文件路径。
• OPENAI_MODEL：OpenAI 模型（默认：gpt-4o-mini）。可使用 OpenRouter 格式指定其他模型（例如：
  anthropic/claude-3.5-sonnet:beta）。
• OPENAI_BASE_URL：OpenAI API 的自定义基础 URL（可选）。设置为 https://openrouter.ai/api/v1 以使用 OpenRouter。
• OPENAI_TIMEOUT：OpenAI API 请求的自定义超时时间（秒， 可选）。
• CLOUDFLARE_MODEL：Cloudflare Workers AI 模型（默认：@cf/llava-hf/llava-1.5-7b-hf）。
• CLOUDFLARE_MAX_TOKENS：生成的最大 token 数（默认：512）。
• CLOUDFLARE_TIMEOUT：Cloudflare API 请求的超时时间（秒，默认：60）。

使用 OpenRouter

OpenRouter 允许你通过 OpenAI API 格式访问多种模型。使用 OpenRouter，请按照以下步骤操作：

1. 从 OpenRouter 获取一个 OpenAI API 密钥。
2. 在你的 .env 文件中，将 OPENAI_API_KEY 设置为你的 OpenRouter API 密钥。
3. 将 OPENAI_BASE_URL 设置为 https://openrouter.ai/api/v1。
4. 将 OPENAI_MODEL 设置为所需模型，使用 OpenRouter 格式（例如：anthropic/claude-3.5-sonnet:beta）。
5. 将 VISION_PROVIDER 设置为 openai。

默认模型

• Anthropic：claude-3.5-sonnet-beta
• OpenAI：gpt-4o-mini
• Cloudflare Workers AI：@cf/llava-hf/llava-1.5-7b-hf
• OpenRouter：在 OPENAI_MODEL 中使用 anthropic/claude-3.5-sonnet:beta 格式

开发

开发环境搭建指南

设置开发环境

1. 克隆仓库：

git clone http://localhost:3000/root/yt_mcp_services.git
cd szetop-trae-dev

2. 使用 uv 进行设置（推荐）：

# Install uv if not installed
pip install uv

# Create virtual environment and install deps
uv venv
uv venv activate
uv pip install -e .
uv pip install -e ".[dev]"

# 备选 pip 设置方法：
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install -e .
# Or alternatively:
pip install -r requirements.txt
pip install -r requirements-dev.txt

3. 配置环境：

cp .env.example .env
# 编辑 .env 文件，填写你的 API 密钥

VS Code / DevContainer 开发

1. 安装带有 Remote Containers 扩展的 VS Code
2. 在 VS Code 中打开项目文件夹
3. 出现提示时点击 “Reopen in Container（在容器中重新打开）”
4. devcontainer 将构建完成并打开，所有依赖已安装

本地测试你的修改

1. 以开发模式运行 MCP 服务器：

# 如果还没安装 MCP Inspector，请先安装
npm install -g @modelcontextprotocol/inspector

# 使用 Inspector 启动服务器
npx @modelcontextprotocol/inspector szetop-backend-gen-mcp

2. Inspector 提供一个 Web 界面（通常在 http://localhost:3000），你可以在这里：

   • 发送请求给你的工具
   • 查看请求/响应日志
   • 调试实现中的问题

3. 测试特定工具：

   • 对于 describe_image：提供 base64 编码的图像
   • 对于 describe_image_from_file：提供本地图像文件路径
   • 对于 describe_image_from_url：提供图像的 URL
   • 对于 generate_code_list_prompt：提供本地图像文件路径和实体类定义

集成到 Claude Desktop 进行测试

1. 临时修改 Claude Desktop 配置，使用你的开发版本：

{
  "mcpServers": {
    "image-recognition": {
      "command": "python",
      "args": ["-m", "backend_gen_server.szetop_backend_code_gen_mcp"],
      "cwd": "/path/to/your/sszetop-backend-gen-mcp",
      "env": {
        "VISION_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key",
        "OPENAI_MODEL": "gpt-4o"
      }
    }
  }
}

2. 重启 Claude Desktop 以应用更改
3. 通过上传图片或提供图片 URL 在对话中进行测试

运行测试

运行全部测试：

run.bat test

运行指定测试套件：

run.bat test szetop_backend_code_gen_mcp
run.bat test anthropic
run.bat test openai