luma MCP

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-1.5
• 单工具设计：统一通过 image_understand 完成图片理解
• 面向复杂截图优化：支持大图多裁剪、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
• 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

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

也可以在 MCP 配置中直接使用：

npx -y luma-mcp

配置

Claude Desktop 示例

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

把 MODEL_PROVIDER 和对应密钥替换为你实际使用的提供商：

• zhipu -> ZHIPU_API_KEY
• siliconflow -> SILICONFLOW_API_KEY
• qwen -> DASHSCOPE_API_KEY
• volcengine -> VOLCENGINE_API_KEY
• hunyuan -> HUNYUAN_API_KEY

可选模型覆盖：

• MODEL_NAME=doubao-seed-1-6-flash-250828
• MODEL_NAME=hunyuan-t1-vision-20250916
• MODEL_NAME=HY-vision-1.5-instruct

快捷配置命令

Claude Code

# 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-flash-250828 -- npx -y luma-mcp

# Hunyuan
claude mcp add -s user luma-mcp --env MODEL_PROVIDER=hunyuan --env HUNYUAN_API_KEY=your-api-key --env MODEL_NAME=hunyuan-t1-vision-20250916 -- npx -y luma-mcp

本地开发模式

{
  "mcpServers": {
    "luma": {
      "command": "node",
      "args": ["D:\\codes\\luma-mcp\\build\\index.js"],
      "env": {
        "MODEL_PROVIDER": "zhipu",
        "ZHIPU_API_KEY": "your-api-key"
      }
    }
  }
}

Cline / VSCode

在项目根目录或 .vscode/ 下创建 mcp.json：

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

使用方式

image_understand

参数：

• image_source：本地路径、HTTP(S) 图片 URL、Data URI
• prompt：用户对图片的原始问题

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",
});

image_understand({
  image_source: "./code-error.png",
  prompt: "这段代码为什么报错？请给出修复建议",
});

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

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

本地测试

# 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

图片与处理限制

• 支持格式：JPG、PNG、WebP、GIF
• 最大输入大小：10MB
• 超过 2MB 的图片会自动压缩
• 远程 URL 会先拉取到统一预处理链路，再发送给模型

项目结构

luma-mcp/
├── src/
│   ├── index.ts              # MCP 服务器入口
│   ├── config.ts             # 配置管理
│   ├── vision-client.ts      # 视觉模型客户端接口
│   ├── 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-1.5 客户端
│   ├── image-processor.ts    # 图片预处理与裁剪
│   └── utils/
│       ├── helpers.ts
│       └── logger.ts
├── test/
│   ├── test-local.ts
│   ├── test-qwen.ts
│   ├── test-deepseek-raw.ts
│   └── test-data-uri.ts
├── docs/
│   └── README_EN.md
├── build/
├── package.json
└── tsconfig.json

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-1.5

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