Illustrative Vocabulary MCP

MCP服务器可视化词汇示例

解决 风格漂移问题 插图类型（摄影与插图）在生成过程中被重新解释。此服务器提供锁定的视觉参数，以锚定您的审美意图，并防止下游样式更改覆盖您的选择。

问题陈述

根本原因：风格关键字由生成模型灵活解释。下游渲染选择（尤其是照明）可以重新解释整个美学，因此“说明性”变得逼真，反之亦然。

解决方案：此MCP服务器提供 锁定的视觉参数集 它们充当语义锚。与其说“说明性”，不如说：

• 硬边+有限的调色板+平面+戏剧性的照明+无深度模糊
• 这些参数被锁定，不能被下游选择覆盖
• Lushy.app视觉词汇生态系统的一部分

三层体系结构

┌─────────────────────────────────────────────────────────────┐
│ LAYER 1: Intent Analysis (Claude)                           │
│ Extract: "I want comic book style of a cyberpunk street"    │
│ Output: Parsed intent + target style                        │
└─────────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────────┐
│ LAYER 2: Deterministic Taxonomy (MCP Server - This Tool)    │
│ Pure lookup: comic_book → {edges: hard, colors: 8-12, ...}  │
│ ZERO LLM COST - Just dictionary lookups                     │
└─────────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────────┐
│ LAYER 3: Synthesis (Claude)                                 │
│ Weave: original_intent + locked_params → coherent_prompt    │
│ Final prompt includes locked parameters as unambiguous text │
└─────────────────────────────────────────────────────────────┘

成本优化：与纯提示方法相比，LLM调用减少了约60%。第1层和第3层使用克劳德。第二层是确定性字典查找（免费）。

可用插图样式

1. 漫画书/图画小说

• 硬定义轮廓，有限的8-12个调色板
• 平坦的色块（无渐变），戏剧性的照明
• 非常适合：漫画、超级英雄漫画、图画小说

2. 儿童读物

• 柔和的边缘，温暖诱人的色彩，可见的笔触
• 手绘感，柔和光线，可读深度
• 非常适合：故事书、儿童内容、有趣的插图

3. 技术图解

• 精准干净的线条，柔和的专业调色板
• 等距/正交视图，机械精度
• 非常适合：图表、医学插图、产品规格

4. 时尚社论

• 优雅流畅的线条，精致的色彩（通常是单色）
• 戏剧性的编辑灯光，风格化的比例
• 非常适合：时装设计、编辑传播、高级定制

5. 水彩画

• 柔和的漫反射边缘，透明的颜色层
• 有机纹理，可见纸纹，自然采光
• 非常适合：风景、美术、大气作品

6. 概念艺术/绘画

• 绘画般的质感，电影般的灯光，丰富的色彩
• Chiaroscuro，体积深度，大气影响
• 非常适合：游戏概念艺术、环境设计、叙事绘画

工具

确定性工具（第2层-零成本）

get_style_taxonomy

• 返回样式的锁定视觉参数
• 通过提供明确的规范来防止风格漂移
• 输入：样式名称
• 输出：所有视觉参数（边缘、颜色、纹理、照明等）

list_available_styles

• 枚举所有插图样式及其简要说明
• 用于探索可用的内容

compare_styles

• 并排视觉参数比较
• 有助于理解风格之间的差异
• 向您准确展示漫画书与水彩之间的变化

override_parameters

• 混合搭配不同风格的锁定参数
• 在保持一致性的同时创建自定义参数集
• 警告兼容性问题

export_prompt_elements

• 将锁定的参数转换为友好的提示文本
• 包括正面提示元素和负面提示
• 负面提示至关重要——明确地阻碍了不相容的美学

信息工具

get_style_details

• 全面的风格规范
• 实施使用指南
• 完整的参数分解

export_prompt_elements

• 即用型提示文本
• 包括负面提示（对于防止风格漂移至关重要）

使用模式

Koray用例的工作流程

1. 确定所需的风格：“我想用能保持说明性的照明来说明问题”

   get_style_taxonomy(user_prompt="...", illustration_style="comic_book")

1. 获取锁定参数：返回边、颜色、纹理、照明、深度、构图规则

1. 导出为提示元素：准备粘贴提示文本

   export_prompt_elements(illustration_style="comic_book")

退货：

   Positive: "hard, defined outlines, consistent line weight... flat color blocking..."
   Negative: "NOT: photorealism, soft gradients, depth of field blur..."

1. 包含在最终提示中：将正负元素粘贴到生成提示中

- 这些充当语义锚 - 防止下游选择重新诠释风格 - “非：照片级真实感”阻挡了Koray体验到的照片级真实主义风格漂移

高级工作流程：自定义参数组合

如果你想要漫画书边缘+水彩颜色：

override_parameters(
    illustration_style="comic_book",
    override_color_strategy=["transparent color layers", "luminous color mixing", ...]
)

返回：带有兼容性警告的自定义参数集

为什么这解决了风格漂移

传统方法（不起作用）：

Prompt: "illustrative style scene..."
↓
Model interprets "illustrative" flexibly
↓
Downstream choices override the intent
↓
Final result: photorealistic (style drift!)

此服务器的方法（有效）：

Prompt: "illustrative style scene... 
         hard edges, limited palette, flat colors, dramatic lighting, no depth blur...
         NOT: photorealism, gradients, depth of field blur, photorealistic texture..."
↓
Model receives unambiguous locked parameters
↓
Locked negative prompt explicitly blocks incompatible aesthetics
↓
Final result: Consistent illustrative style (no drift!)

安装

# Clone or place the server file
pip install -e .

# Or with dev dependencies:
pip install -e ".[dev]"

测试

# Run the server
python illustrative_vocabulary_mcp.py

# Test with MCP Inspector (if installed)
npx @modelcontextprotocol/inspector illustrative_vocabulary_mcp.py

与Claude整合

在Claude.ai或您的Claude API客户端中使用此MCP服务器：

# Example: Using with Claude API
# Call get_style_taxonomy to get locked parameters
# Then have Claude incorporate them into a full prompt

服务器提供 确定性层2 Claude在第3层合成最终提示时可以参考。

建筑哲学

此服务器演示了 三层成本优化模式:

1. 意向分析 → 克劳德（语义理解）
2. 确定性映射 → MCP服务器（纯查找，节省约60%的成本）
3. 合成 → 克劳德（创意编织）

通过将确定性分类与创造性综合分离，我们实现了：

• 成本效益：大部分工作是查字典
• 可重复性：相同的输入总是产生相同的参数
• 可验证性：易于审核使用了哪些锁定参数
• 可扩展性：无需LLM再培训即可扩展分类

未来的增强功能

• \[\]添加摄影风格分类（摄影、纪实、美术摄影）
• \[\]添加绘画风格（油画、丙烯酸、水粉画）
• \[\]添加渲染引擎兼容性说明（稳定扩散vs.DALL-E vs.Midjourney）
• \[\]添加基于历史时代的插图风格（装饰艺术、野兽派、复古未来主义）
• \[\]添加用户创建的自定义样式词汇表
• \[\]与图像提示工作流系统（ComfyUI等）集成

参考文献

• 建筑：使用ologs+单LLM合成的三层分类模式
• 成本模型：与纯LLM提示相比，成本降低了约60%

许可证

麻省理工学院

作者

达尔·马斯特斯