Luma MCP

多模型视觉理解 MCP 服务器，为不支持原生视觉能力的 AI 助手提供统一的图片分析能力。

English | 中文

特性

• 多模型支持：GLM-4.6V、DeepSeek-OCR、Qwen3-VL-Flash、Doubao-Seed-1.6、Hunyuan-Vision
• 单工具设计：统一通过 image_understand 完成图片理解，兼容旧客户端
• 面向复杂截图优化：大图自动多裁剪、文本密集场景保真处理
• 统一预处理链路：本地文件、远程 URL、Data URI 都进入同一套处理流程
• 适用场景完整：代码截图、UI 截图、报错截图、文档截图、OCR
• 标准 MCP 协议：可接入 Claude Desktop、Cline、Claude Code 等客户端
• HTTP / Docker 部署：局域网内多客户端共享一个实例（v1.7.0+）
• 内置重试：降低临时网络或模型请求失败带来的影响

快速开始

前置要求

• Node.js >= 18
• 任意一个模型提供商的 API Key

安装

直接通过 npx 运行（无需本地安装）：

npx -y luma-mcp

或从源码构建：

git clone https://github.com/JochenYang/luma-mcp.git
cd luma-mcp
npm install
npm run build

不使用 MCP？Luma Vision Skill（轻量替代）

不想安装 MCP 服务器，或你使用的 AI 客户端（如 Kimi Code）支持 skill 而不支持 MCP？可直接使用仓库内的 vision-skill/：

• 安装：把 vision-skill/ 目录复制到你所用 agent 的 skills 目录（如 ~/.agents/skills/vision-skill）
• 激活：发送图片时以 /skill luma-vision 开头，skill 会执行 scripts/vision.js 直连视觉模型 API 完成分析
• 配置：在系统环境变量中设置（与 MCP 版 custom provider 共用同一组变量）：

与 MCP 版的差异：skill 是零依赖轻量脚本，只做"单图直连"——支持本地路径、HTTP(S) URL、Data URI，图片参数留空时自动扫描常见缓存目录找最新图片；但不包含 MCP 版的多裁剪、压缩、重试、SSRF 防护等能力。

配置

基础配置（npx 方式）

在 MCP 客户端的 mcpServers 中注册（Claude Desktop、Cline / VSCode 通用）：

{
  "mcpServers": {
    "luma": {
      "command": "npx",
      "args": ["-y", "luma-mcp"],
      "env": {
        "MODEL_PROVIDER": "zhipu",
        "ZHIPU_API_KEY": "your-api-key"
      }
    }
  }
}

将 MODEL_PROVIDER 与对应的 API Key 环境变量替换为实际使用的提供商：

默认模型见提供商密钥表；如需覆盖模型，可追加 MODEL_NAME 环境变量，例如：

• MODEL_NAME=doubao-seed-1-6-vision-250815（Volcengine 视觉深度思考模型）
• MODEL_NAME=hy-vision-2.0-instruct（Hunyuan，腾讯云 TokenHub）

[!NOTE] 混元模型已迁移：腾讯混元平台的旧视觉模型（hunyuan-t1-vision-20250916、Tencent HY Vision 1.5 Instruct 等）已于 2026-06-22 下线，新模型（HY-Vision 2.0 等）迁移至腾讯云 TokenHub。luma 的 hunyuan provider 默认端点仍指向旧平台；改用 TokenHub 新模型时，建议以 custom provider 接入，将 CUSTOM_BASE_URL 设为 https://tokenhub.tencentmaas.com/v1。

Claude Code 快捷命令

# Zhipu
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=zhipu --env ZHIPU_API_KEY=your-api-key -- npx -y luma-mcp

# SiliconFlow
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=siliconflow --env SILICONFLOW_API_KEY=your-api-key -- npx -y luma-mcp

# Qwen
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=qwen --env DASHSCOPE_API_KEY=your-api-key -- npx -y luma-mcp

# Volcengine
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=volcengine --env VOLCENGINE_API_KEY=your-api-key --env MODEL_NAME=doubao-seed-1-6-vision-250815 -- npx -y luma-mcp

# Hunyuan（新模型在腾讯云 TokenHub，旧混元平台模型已下线）
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=hunyuan --env HUNYUAN_API_KEY=your-api-key --env MODEL_NAME=hy-vision-2.0-instruct -- npx -y luma-mcp

本地开发模式

指向本地 build/index.js（将 <项目路径> 替换为你本机的项目绝对路径）：

{
  "mcpServers": {
    "luma": {
      "command": "node",
      "args": ["<项目路径>/build/index.js"],
      "env": {
        "MODEL_PROVIDER": "zhipu",
        "ZHIPU_API_KEY": "your-api-key"
      }
    }
  }
}

若 MCP 客户端支持设置工作目录，也可直接使用相对路径 build/index.js 并把 cwd 指向项目根目录。

HTTP / Docker 部署（局域网共享，v1.7.0+）

默认走 stdio（本地进程）。需要局域网内多个客户端共享一个实例时，改用 Streamable HTTP 传输：

# 本地直接运行（HTTP 模式）
MCP_TRANSPORT=http MCP_HTTP_PORT=3000 MCP_HTTP_TOKEN=your-token node build/index.js

Docker 部署：

docker build -t luma-mcp .
docker run -d --name luma-mcp -p 3000:3000 \
  -e MODEL_PROVIDER=zhipu \
  -e ZHIPU_API_KEY=your-api-key \
  -e MCP_HTTP_TOKEN=your-token \
  luma-mcp

客户端配置（Claude Desktop / Cline 等支持 URL 方式的客户端）：

{
  "mcpServers": {
    "luma": {
      "type": "http",
      "url": "http://<服务器IP>:3000/mcp",
      "headers": {
        "Authorization": "Bearer your-token"
      }
    }
  }
}

[!IMPORTANT] 务必设置 MCP_HTTP_TOKEN：HTTP 模式下任何能访问该端口的人都能调用 image_understand，消耗你的模型 API 额度。

图片来源限制：HTTP 模式下 image_source 只支持 HTTP(S) URL 与 Data URI，本地文件路径不可用（服务端在远端，读不到客户端文件）；Data URI 传入的图片上限约 10MB（受请求体 30MB 限制）。

Custom Provider（v1.5.0+）

使用任意 OpenAI 兼容端点（OpenAI、OpenRouter、Together AI、Anthropic 代理、本地 vLLM/Ollama 等）：

claude mcp add -s user luma-mcp \
  --env MODEL_PROVIDER=custom \
  --env CUSTOM_API_KEY=sk-your-key \
  --env CUSTOM_BASE_URL=https://your-endpoint.com/v1 \
  --env CUSTOM_MODEL_NAME=your-model \
  -- npx -y luma-mcp

可选配置（都有默认值）：

• CUSTOM_AUTH_HEADER=bearer — bearer / x-api-key / custom
• CUSTOM_PATH=/chat/completions — API 路径
• CUSTOM_TIMEOUT_MS=60000 — 超时毫秒
• CUSTOM_THINKING_MODE=disabled — disabled / openai / qwen_extra_body
• CUSTOM_AUTH_HEADER_VALUE="X-API-Key: {{key}}" — 自定义 Header 模板（{{key}} 会被替换为 API Key）

使用

image_understand

单一工具，参数：

task_type 行为：

• 省略或 auto（默认）：与旧版一致，按 prompt 启发式路由
• ocr：文字提取，默认单图高保真（关闭 multi-crop）
• ui / debug：界面结构 / 报错截图，倾向文本保真
• describe：简短描述

示例：

image_understand({
  image_source: "./screenshot.png",
  prompt: "分析这个页面的布局和主要组件结构",
  task_type: "ui",
});

image_understand({
  image_source: "./code-error.png",
  prompt: "这段代码为什么报错？请给出修复建议",
  // task_type 可省略，行为与旧版兼容
});

image_understand({
  image_source: "https://example.com/ui.png",
  prompt: "找出这个界面的可用性问题",
});

使用建议

• 非视觉模型需要明确提示调用 MCP 工具
• 代码截图、OCR、长图、表格这类文本密集图片会自动启用更保真的处理方式
• 大图会按配置自动生成原图加裁剪图，提高细节理解能力
• 需要排查耗时/裁剪数时设 INCLUDE_META=true 或 LUMA_DEBUG=1，结果末尾会附 luma_meta

环境变量

通用配置

[!IMPORTANT] 关于 Token 限制的特别说明：

1. SiliconFlow (DeepSeek-OCR): 该模型的总上下文长度（输入+输出）仅为 8192。为了确保图片能正常输入，Luma 已在客户端内部将 MAX_TOKENS 硬性限制在 4096 以内。即使你在环境变量中设置了更高的值，也会被截断。
2. 通用建议: 视觉理解任务通常不需要极长的输出。对于大多数模型，建议将 MAX_TOKENS 保持在 4096 或 8192。设置过高（如 16384）在处理大图时，可能因总长度超过模型上限而导致 400 错误。

提供商密钥

图片限制与处理

• 支持格式：JPG、PNG、WebP、GIF
• 最大输入大小：10MB（本地文件、远程 URL、Data URI 一致）
• 超过 2MB 的图片会自动压缩
• 最大分辨率：1600 万像素（超出将报错）
• 远程 URL 会先拉取到统一预处理链路再发送给模型，并带 SSRF 防护（拒绝内网/私网地址、禁用重定向）
• 长边 ≥ 1800px 或 ≥ 350 万像素的大图，自动生成原图 + 有序裁剪图（受 MULTI_CROP / MULTI_CROP_MAX_TILES 控制）

本地测试

# 单元测试（不调用真实 API）
npm run test:unit

# MCP stdio 端到端测试（真实调用 image_understand）
npm run test:mcp

# MCP HTTP 传输测试（无需 API key）
npm run test:http

# 基础测试
npm run test:local ./test.png

# 带问题测试
npm run test:local ./code-error.png "这段代码为什么报错？"

# 远程图片测试
npm run test:local https://example.com/image.jpg

# 检查源码和测试脚本类型
npm run typecheck

模型选择建议

• OCR、文字识别：DeepSeek-OCR
• 快速低成本通用分析：Qwen3-VL-Flash
• 高性价比通用分析：Doubao-Seed-1.6
• 深度图片理解：GLM-4.6V
• 复杂图文推理、多语言：Hunyuan-Vision（新模型为混元 HY-Vision，见腾讯云 TokenHub）

项目结构

luma-mcp/
├── src/
│   ├── index.ts                      # MCP 服务器入口，注册 image_understand
│   ├── http-server.ts                # Streamable HTTP 传输层（鉴权/会话/CORS）
│   ├── config.ts                     # 环境变量加载与校验
│   ├── constants.ts                  # 默认视觉提示词等常量
│   ├── task-types.ts                 # 可选 task_type 路由
│   ├── vision-client.ts              # 视觉模型客户端接口
│   ├── openai-compatible-client.ts   # OpenAI 兼容请求基类
│   ├── zhipu-client.ts               # GLM-4.6V 客户端
│   ├── siliconflow-client.ts         # DeepSeek-OCR 客户端
│   ├── qwen-client.ts                # Qwen3-VL 客户端
│   ├── volcengine-client.ts          # Doubao-Seed-1.6 客户端
│   ├── hunyuan-client.ts             # Hunyuan-Vision 客户端
│   ├── custom-client.ts              # 任意 OpenAI 兼容端点
│   ├── image-processor.ts            # 图片预处理、压缩、多裁剪
│   └── utils/
│       ├── helpers.ts                # 重试、响应格式化、错误脱敏
│       └── logger.ts                 # 日志
├── test/
│   ├── test-local.ts                 # 本地单图/多图测试
│   ├── test-qwen.ts                  # Qwen 客户端测试
│   ├── test-deepseek-raw.ts          # DeepSeek-OCR 原始调用测试
│   ├── test-data-uri.ts              # Data URI 处理测试
│   ├── test-custom.ts                # CustomClient 单元测试
│   ├── test-task-types.ts            # task_type 路由测试
│   ├── test-mcp-stdio.ts             # MCP stdio 端到端测试
│   ├── test-mcp-http.ts              # MCP HTTP 传输测试（无需 API key）
│   └── image-processor-regression.ts # 图片处理回归测试
├── Dockerfile                        # HTTP 模式容器化部署
├── vision-skill/                     # 轻量识图 skill（无 MCP 用户的替代方案）
│   ├── SKILL.md                      # skill 定义：/skill luma-vision 激活
│   └── scripts/vision.js             # 零依赖识图脚本，直连视觉模型 API
├── docs/
│   └── README_EN.md
├── build/                            # 编译产物
├── package.json
└── tsconfig.json

开发

npm run watch
npm run build
npm run typecheck

相关链接

• 智谱开放平台
• 硅基流动平台
• 阿里云百炼
• 火山方舟
• 腾讯混元
• MCP 协议

更新历史

CHANGELOG.md

许可证

MIT