📊 文章象限分析仪MCP服务器（增强型+OCR）
强大的模型上下文协议（MCP）服务器，通过OCR支持从文章中提取核心见解，并通过直接文本矩阵可视化生成智能中文象限分析。
✨ 特性
- 多源内容处理：URL、文件、屏幕截图（OCR）和直接文本
- 专业OCR：与Mistral Document AI API集成，用于高精度屏幕截图分析
- 4强大的工具：内容提取、OCR处理、洞察分析、象限生成
- 中文文本矩阵输出：对话中的直接ASCII象限可视化
- 2x2象限分析：自动生成富有洞察力的象限可视化
- 以代理为中心的设计：针对AI代理工作流程进行了优化
- UVX部署：零依赖部署，成本最低
🚀 快速开始
1.快速部署（5分钟）
# Deploy to Cursor
./deploy_to_ide_standard.sh cursor
# Deploy to VS Code
./deploy_to_ide_standard.sh vscode
# Deploy to Claude Desktop
./deploy_to_ide_standard.sh claude
# Validate deployment
./deploy_to_ide_standard.sh validate2.手动设置
# Install dependencies
uvx --quiet --python 3.12 --with fastmcp python test_simple_server.py
# Start MCP Inspector for testing
fastmcp dev test_simple_server.py📁 项目结构
mcp-server-article-quadrant/
├── test_simple_server.py # Main MCP server (3 tools)
├── deploy_to_ide_standard.sh # Automated deployment script
├── config/ # IDE configurations
│ ├── config_cursor_standard.json
│ ├── config_vscode_standard.json
│ ├── config_claude_desktop_standard.json
│ ├── config_emacs.el
│ └── config_neovim.lua
├── src/mcp_server_article_quadrant/ # Modular source code
│ ├── server.py # FastMCP server setup
│ ├── tools/ # MCP tools
│ │ ├── extract_content.py
│ │ ├── analyze_insights.py
│ │ └── generate_quadrant.py
│ ├── models/ # Pydantic models
│ │ ├── content.py
│ │ ├── analysis.py
│ │ └── quadrant.py
│ └── utils/ # Utilities
│ ├── content_extractor.py
│ ├── quadrant_generator.py
│ └── image_processor.py
├── .trae/specs/article-quadrant-analyzer/ # Technical specifications
│ ├── spec.md (24KB) # Complete MCP server specification
│ └── api-research.md (25KB) # API research and content sources
├── pyproject.toml # Project configuration
├── .env.example # Environment variables template
├── 2X2分析prompt.md # Original analysis prompt
└── DOCUMENTATION_SUMMARY.md # Documentation cleanup summary🔧 配置
环境变量
# Mistral Document AI API (for OCR)
MISTRAL_API_KEY=your_api_key_here
# Content Processing
CONTENT_MAX_LENGTH=50000
OCR_MAX_FILE_SIZE=10485760IDE配置示例
光标：
{
"mcpServers": {
"article-quadrant-analyzer": {
"command": "uvx",
"args": [
"--quiet", "--python", "3.12", "--with", "fastmcp",
"python", "/Users/vincent/Library/CloudStorage/SynologyDrive-vincent/My.create/Developer/MCP/test_simple_server.py"
]
}
}
}更多配置示例请参见 config/ 目录。
🛠️ MCP工具
1. extract_article_content_simple
通过AI友好的界面增强内容提取
智能处理：
- 自动删除HTML/XML标记
- 语言检测（中文/英文/混合）
- 内容质量分析
- URL和格式检测
- 综合指标（字符、单词、句子、段落）
通用输入支持：
- URL（新闻网站、微信公众号）
- 文本文件和文档
- 直接文本输入
- OCR处理的内容
- 混合格式内容
智能输出：
- 带有截断功能的内容预览
- 复杂性评估
- 处理建议
- 下一步指导
2. analyze_article_insights_simple
高级内容洞察提取
关键字分析：
- 基于频率的关键字提取
- 主题识别和聚类
- 内容摘要
- 趋势检测
智能特性：
- 自动主题分类
- 洞察力相关性评分
- 内容结构分析
- 可操作的洞察力生成
3. extract_text_from_image
使用Mistral Document AI API的专业OCR
高级OCR处理：
- 从图像和屏幕截图中高精度提取文本
- 支持多种图像格式（PNG、JPG、WEBP）
- 自动语言检测（中文/英文/混合）
- Mistral文档AI API集成以获得最佳结果
智能错误处理：
- 未配置API密钥时的优雅回退
- 详细的错误消息和故障排除指南
- 图像验证和预处理
- 网络超时和重试逻辑
输入/输出支持：
- 本地图像的文件路径
- Base64编码图像数据
- 实时信心评分
- 提取的文本已准备好进行象限分析
4. generate_quadrant_analysis_simple
增强型中国象限分析引擎
智能内容处理：
- 智能中文语言检测与分析
- 上下文感知内容预处理
- 柔性轴标签（支持中文标签）
- 稳健的错误处理和参数验证
高级分类逻辑：
- 协作分析：检测团队合作、协调和小组活动
- 文本分析：识别文档、写作和正式沟通
- 模式识别：根据实际文本模式将内容映射到适当的象限
- 中文语境支持：专门针对中国商业和工作场景进行培训
直接矩阵输出：
- 实时ASCII可视化：矩阵直接出现在对话中
- 中文象限名称: 重点投入区, 专业分析区, 基础维护区, 创意协作区
- 内容特定映射：分析您的实际内容以准确放置
- 无需转换：无需SVG/PNG转换步骤即可获得即时结果
丰富的输出格式：
- 专业象限映射
- 详细的内容指标
- 战略见解和建议
- 直接文本矩阵可视化 （中文）
- 智能内容分类 基于实际文本分析
AI友好功能：
- 自动XML/HTML标签清理
- 灵活的参数格式支持
- 全面的错误处理
- 上下文感知响应生成
- 中文语言支持 具有智能内容分析功能
🎨 增强的可视化功能：
- 智能文本矩阵：对话中直接显示ASCII象限
- 中文内容分析：基于协作与文本级别的智能分类
- 上下文感知映射：分析内容模式以实现精确的象限放置
- 实时结果：无需SVG转换-矩阵立即显示
- 动态命名: Quadrants named in Chinese (重点投入区, 专业分析区, 基础维护区, 创意协作区)
📋 支持的内容源
- 新闻网站：主要新闻平台和在线出版物
- 微信公众号：微信公众号文章
- 截图：通过Mistral Document AI API进行OCR处理
- 文本文件：直接提取文件内容
- 直接输入：手动输入文本进行分析
🎯 用例
- 工作过程分析：分析团队协作工作流程和文档模式
- 项目管理：可视化任务分配和工作流效率
- 团队协调：确定协作瓶颈和优化机会
- 内容策略：跨协作和形式维度映射内容类型
- 决策：资源分配和任务优先排序框架
📊 示例输出
输入：
工作的流动性: 没有任何一个岗位只存在于一个象限...
例如开发新功能: 团队头脑风暴，撰写PRD文档，工程师独立编写代码...直接矩阵输出：
🎯 四象限矩阵图
↑ 文本化程度 ↑
┌──────────────────────────────┐
│ Q1: 重点投入区 │
│ ┌────────────────────────┐ │
│ │ • 团队协作文档 │ │
│ │ • 集体讨论记录 │ │
│ │ • 共享成果展示 │ │
│ └────────────────────────┘ │
└──────────────────────────────┘
┌──────────────────────────────┐
│ Q2: 专业分析区 │
│ ┌────────────────────────┐ │
│ │ • 独立深度思考 │ │
│ │ • 个人专业分析 │ │
│ │ • 核心技术实现 │ │
│ └────────────────────────┘ │
└──────────────────────────────┘
← 协作程度 ← ─────────────────────────────────── → 协作程度 →
┌──────────────────────────────┐
│ Q3: 基础维护区 │
│ ┌────────────────────────┐ │
│ │ • 基础维护工作 │ │
│ │ • 常规操作流程 │ │
│ │ • 标准规范执行 │ │
│ └────────────────────────┘ │
└──────────────────────────────┘
┌──────────────────────────────┐
│ Q4: 创意协作区 │
│ ┌────────────────────────┐ │
│ │ • 创意头脑风暴 │ │
│ │ • 视觉化表达 │ │
│ │ • 互动协作展示 │ │
│ └────────────────────────┘ │
└──────────────────────────────┘🔍 测试与验证
# Test MCP Inspector
fastmcp dev test_simple_server.py
# Opens: http://127.0.0.1:6274
# Validate UVX deployment
./deploy_to_ide_standard.sh validate
# Test individual tools via MCP Inspector interface📚 文档
⚡ 演出
- 启动时间：使用UVX时\<2秒
- 内存使用：~50MB基线
- 处理：典型文章1-5秒
- OCR处理：通过Mistral API 3-10秒
🎨 生成的输出示例
服务器生成SVG格式的专业象限分析，显示：
- 战略定位：跨两个轴映射的内容
- 视觉清晰度：带有标签的干净、专业的象限
- 可操作的见解：基于定位的建议
- 上下文分析：根据内容类型和目标量身定制
______________________________________________________________________
🚀 准备好转变您的文章分析工作流程了！
*根据FastMCP规范驱动开发指南生成*