zhipu-glm-vision-mcp

基于智谱 GLM-4.6V-Flash（免费多模态视觉模型）的多模态理解 MCP 服务，支持图片、视频、文件三类理解能力，并支持思考模式（thinking）开关。

GLM-4.6V-Flash 上下文窗口 128K，在视觉理解精度上达到同参数规模 SOTA，原生支持多模态 Function Calling。本服务通过智谱 OpenAI 兼容接口接入，遵循 MCP v2 协议（mcp>=2.0.0 + MCPServer）。

使用

uvx zhipu-glm-vision-mcp

需要设置环境变量 ZHIPU_API_KEY（在 智谱开放平台 免费获取）。

可选环境变量：

变量	说明	默认
ZHIPU_API_KEY	智谱 API Key（必需）	-
GLM_MODEL	模型名称	glm-4.6v-flash
GLM_THINKING	思考模式默认，取值与工具 thinking 参数一致（disabled / enabled / enabled_with_reasoning；兼容布尔写法 true/false）	disabled

CLI 参数：--model <名称> 覆盖模型、--transport/-t stdio|streamable-http|sse（默认 stdio）、--thinking / --no-thinking / --reasoning 设置思考默认（分别对应 enabled / disabled / enabled_with_reasoning）。

工具

每个工具均接受列表参数（传 1 个即单条分析，传多个即在同一上下文内对比/关联分析），并支持 thinking 思考开关与 prompt 自定义提问。

本地 Base64 传入仅图片支持（官方契约）；视频/文件仅支持公网 URL 传入（file_url 官方明确不支持 Base64）。因此视频/文件只提供 *_url 工具。

图片理解

• analyze_image(file_paths: list, prompt?, thinking?) - 分析 1..50 个本地图片路径（JPEG/PNG，每张 Base64 ≤5MB、≤6000×6000）
• analyze_image_url(urls: list, prompt?, thinking?) - 分析 1..50 个公网图片 URL（JPEG/PNG）

视频理解

• analyze_video_url(urls: list, prompt?, thinking?) - 分析 1..N 个公网视频 URL（MP4/MKV/MOV，每个 ≤200MB，数量不设上限）

文件/文档理解

• analyze_file_url(urls: list, prompt?, thinking?) - 分析 1..50 个公网文件 URL（PDF/TXT/Word/DOCX/JSONL/XLSX/PPTX），支持多文档跨文档对比

可选参数

每个工具都接受以下可选参数：

参数	类型	说明	默认
prompt	string	自定义提问，覆盖默认提示词	按模态的默认中文提示词（描述/分析/总结）
thinking	string	三态思考模式，见下	回落 GLM_THINKING 环境变量，再默认 disabled

必选参数：

• file_paths：本地图片路径列表，用于 analyze_image
• urls：公网 URL 列表，用于 analyze_image_url / analyze_video_url / analyze_file_url

thinking 三态：

取值	行为
"disabled"	关闭思考，只返回最终答案
"enabled"	开启思考，不返回思考链
"enabled_with_reasoning"	开启思考，并返回思考链（【思考过程】…\n【回答】…）

优先级：单次调用 thinking 参数 > GLM_THINKING 环境变量（可用 CLI --reasoning/--thinking/--no-thinking 或启动前设置）> 默认 disabled。

开启思考后模型会先进行深度推理再作答，理解更细致但响应更慢；免费 flash 版默认关闭以换取更快响应。

示例：

analyze_image(file_paths=["a.png", "b.png"], prompt="这两张图有什么区别？", thinking="enabled_with_reasoning")
analyze_file_url(urls=["https://.../report.pdf"], thinking="enabled")
analyze_video_url(urls=["https://.../clip.mp4"])

媒体限制

对齐官方契约（docs/model-api-raw.md）：

• 模态互斥：图片、视频、文件三者互斥，单次请求只能分析一种模态（GLM-4.6V 限制），因此拆分为独立工具。
• 传入方式：图片支持公网 URL 或本地 Base64 data URI；视频/文件仅支持公网 URL（file_url 官方明确不支持 Base64，video_url 官方仅描述 URL）。
• 数量上限：图片最多 50 张；文件最多 50 个；视频官方未限制数量，不设上限。
• 大小上限：图片单张 ≤5MB 且像素 ≤6000×6000；视频单个 ≤200MB。
• 格式：图片 JPEG/PNG；视频 MP4/MKV/MOV；文件 PDF/TXT/Word/DOCX/JSONL/XLSX/PPTX。
• 输出模态为纯文本；上下文窗口 128K。

客户端注册

Claude Code：

claude mcp add zhipu-glm-vision-mcp \
  -e ZHIPU_API_KEY=你的Key \
  -- uvx zhipu-glm-vision-mcp

.mcp.json / claude_desktop_config.json：

{
  "mcpServers": {
    "zhipu-glm-vision-mcp": {
      "command": "uvx",
      "args": ["zhipu-glm-vision-mcp"],
      "env": {
        "ZHIPU_API_KEY": "你的Key"
      }
    }
  }
}

发布新版本

1. 修改 pyproject.toml 中的 version（必须严格递增）
2. uv build，生成 dist/*.whl 与 dist/*.tar.gz
3. twine upload dist/*，按提示粘贴 PyPI API Token（用户名填 __token__）
4. 验证：uvx zhipu-glm-vision-mcp --help

相关文档

docs/ 目录存放了 GLM-4.6V-Flash 相关文档：

• GLM-4.6V-Flash API 参考快照 - 精简 API 契约（端点 / 请求格式 / 已知限制）
• GLM-4.6V-Flash 原始官方文档 - 官方完整能力文档原样存档

License

MIT