visual-understand-mcp 0.1.0

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

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

配置

在 MCP 客户端配置中通过 env 传入：

{
  "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"
      }
    }
  }
}

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	见上

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。

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.py

License

MIT