Vividwalls Mas MCP Server安装配置 GitHub与使用方法

选型结论

Vividwalls Mas 属于AI代理类 MCP Server，公开资料标注 0 个工具，通过stdio 本地进程接入，客户端适配情况以官方文档为准，有可以直接复制的安装命令；接入前先确认权限范围。

分类

AI代理

传输方式

stdio

认证方式

无需认证

部署方式

公开资料未说明

安装与配置

安装命令

python start_services.py --profile gpu-nvidia

客户端配置示例

{
  "mcpServers": {
    "vividwalls-mas": {
      "command": "python",
      "args": [
        "start_services.py",
        "--profile",
        "gpu-nvidia"
      ]
    }
  }
}

按公开安装命令拼出来的示例，字段名和参数以仓库 README 为准；带 YOUR_API_KEY 这类占位符的位置记得换成自己的值。

上手步骤

1
准备运行环境
stdio 服务在本地起进程，需要先装好 Python，再按安装命令拉取依赖。
2
安装服务
复制下面的安装命令执行；命令里带占位符的位置换成自己的密钥或路径。
3
写入客户端配置
在客户端的 MCP 配置里填启动命令和参数，保存后完全退出客户端再打开，让新配置生效。
4
验证是否可用
连接成功后客户端会列出 0 个工具，随便调一个只读工具确认能返回结果。

接入前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

详细介绍

自托管AI包

自托管AI包 是一个开放的docker编写模板快速启动功能齐全的本地AI和低代码开发环境包括用于本地LLM的Ollama、用于与N8N代理聊天的Open WebUI界面，以及用于数据库、矢量存储和身份验证的Supabase。

这是科尔的版本，有一些改进，增加了Supabase、Open WebUI、Flowise、Langfuse、SearXNG和Caddy！此外，视频中的本地RAG AI Agent工作流将自动在您的如果您使用此设置而不是n8n提供的基本设置，则可以使用n8n实例！

VividWalls电子商务集成

VividWalls电子商务订单履行系统 -此增强版本包括用于VividWalls画布打印业务的完整多代理电子商务自动化系统：

🛒 电子商务功能

✅ Shopify MCP服务器 -完成Shopify API集成，用于订单管理、产品同步和客户数据

订单处理和履行自动化
产品目录管理和定价更新
客户服务和订单跟踪
库存同步

✅ Pictorem MCP服务器 -按需打印与VividWalls定价逻辑的集成

自动将订单提交到Pictorem进行打印
VividWalls特定的定价计算（专业折扣、帆布卷折扣、加价）
打印订单的图像上传和处理
订单状态跟踪和交付管理

✅ 多代理n8n工作流 -实现完整订单生命周期的智能自动化

订单管理代理：处理Shopify订单并协调履行
配送代理：处理打印订单提交和跟踪
客户服务代理：自动通知和支持
定价代理：计算准确的VividWalls折扣定价

🎯 VividWalls定价逻辑

该系统实现了VividWalls特定的定价计算：

专业账户折扣：Pictorem提供15%的基本折扣
帆布卷折扣：帆布卷产品额外25%
VividWalls 标记：最终折扣价加价106.5%

定价公式：

Base Price (from Pictorem)
- Pro Account Discount (15%)
- Canvas Roll Discount (25% additional for canvas rolls)  
× VividWalls Markup (106.5%)
= Final Customer Price

📂 MCP服务器位置

两台MCP服务器都位于 mcp/ 目录：

Shopify MCP服务器: mcp/shopify-mcp-server/
Pictorem MCP服务器: mcp/pictorem-mcp-server/

每台服务器都为AI代理提供工具，通过模型上下文协议与各自的API进行交互，实现与n8n工作流的无缝集成。

重要链接

本地AI社区 oTomator智库论坛

用于功能实现和bug压缩。

原始本地AI入门套件 n8n团队

下载我的N8N+OpenWebUI集成直接在Open WebUI网站上。（更多说明见下文）

策划人：和，它结合了自托管的n8n 平台上有一个精心策划的兼容AI产品和组件列表快速开始构建自托管的AI工作流程。

包含什么

✅ 自托管n8n -拥有400多个代码的低代码平台集成和高级AI组件

✅ Supabase -开源数据库即服务- 人工智能代理使用最广泛的数据库

✅ 没有 -跨平台LLM平台安装并运行最新的本地LLM

✅ 打开WebUI -类似ChatGPT的接口与本地机型和N8N代理私下交互

✅ 流动 -无/低代码AI代理与n8n非常匹配的构建器

✅ Qdrant -开源、高性能矢量使用全面的API存储。尽管你可以使用Supabase进行RAG，但这是与Postgres不同，因为它比Supabase更快，所以有时是更好的选择。

✅ SearXNG -开源、免费的互联网元搜索引擎，可聚合来自多达229个搜索服务的结果。用户既不被跟踪也不被分析，因此与本地AI软件包相匹配。

✅ 卡迪 -为自定义域管理HTTPS/TLS

✅ 廊坊 -面向agent可观测性的开源LLM工程平台

电子商务快速入门

要部署VividWalls电子商务订单履行系统：

1.将MCP服务器部署到Digital Ocean Droplet

在您的Digital Ocean droplet上运行此脚本以设置Pictorem MCP服务器：

# SSH into your droplet
ssh root@157.230.13.13

# Run the deployment script
cd /root/vivid_mas
bash scripts/deploy-pictorem-mcp-to-droplet.sh

Shopify MCP服务器应该已经存在于 /root/vivid_mas/mcp/shopify-mcp-server/.

2.配置n8n MCP集成

安装n8n MCP社区节点：

   npm install n8n-nodes-mcp

在n8n中配置MCP凭据：

- Pictorem MCP服务器:

- 连接类型：STDIO - 命令： node - 论据： ["/root/vivid_mas/mcp/pictorem-mcp-server/dist/index.js"] - 环境变量： PICTOREM_USERNAME=kingler@me.com\nPICTOREM_PASSWORD=#Freedom2023#

- Shopify MCP服务器:

- 连接类型：STDIO - 命令： node - 论据： ["/root/vivid_mas/mcp/shopify-mcp-server/dist/index.js"] - 环境变量： SHOPIFY_API_KEY=...\nSHOPIFY_ACCESS_TOKEN=...

3.导入电子商务工作流

完整的电子商务订单履行工作流程位于：

n8n/workflows/ecommerce-order-fulfillment-workflow.json

将此工作流导入您的n8n实例，以便从Shopify到Pictorem进行自动订单处理。

先决条件

在开始之前，请确保已安装以下软件：

python -需要运行安装脚本
-便于存储库管理
-需要运行所有服务

安装

克隆存储库并导航到项目目录：

git clone https://github.com/coleam00/local-ai-packaged.git
cd local-ai-packaged

在运行服务之前，您需要按照以下步骤为Supabase设置环境变量自助托管指南.

复制 .env.example 并将其重命名为 .env 在项目的根目录中
设置以下所需的环境变量：

   ############
   # N8N Configuration
   ############
   N8N_ENCRYPTION_KEY=
   N8N_USER_MANAGEMENT_JWT_SECRET=

   ############
   # Supabase Secrets
   ############
   POSTGRES_PASSWORD=
   JWT_SECRET=
   ANON_KEY=
   SERVICE_ROLE_KEY=
   DASHBOARD_USERNAME=
   DASHBOARD_PASSWORD=
   POOLER_TENANT_ID=

   ############
   # Langfuse credentials
   ############

   CLICKHOUSE_PASSWORD=
   MINIO_ROOT_PASSWORD=
   LANGFUSE_SALT=
   NEXTAUTH_SECRET=
   ENCRYPTION_KEY=

\[！重要\] 确保为所有机密生成安全的随机值。切勿在生产中使用示例值。

如果部署到生产环境，请设置以下环境变量，否则请留下注释：

   ############
   # Caddy Config
   ############

   N8N_HOSTNAME=n8n.yourdomain.com
   WEBUI_HOSTNAME=:openwebui.yourdomain.com
   FLOWISE_HOSTNAME=:flowise.yourdomain.com
   SUPABASE_HOSTNAME=:supabase.yourdomain.com
   OLLAMA_HOSTNAME=:ollama.yourdomain.com
   SEARXNG_HOSTNAME=searxng.yourdomain.com
   LETSENCRYPT_EMAIL=your-email-address

______________________________________________________________________

该项目包括 start_services.py 处理启动Supabase和本地AI服务的脚本。脚本接受 --profile 标志指定要使用的GPU配置。

适用于Nvidia GPU用户

python start_services.py --profile gpu-nvidia

\[！注意\] 如果您之前没有在Docker中使用过Nvidia GPU，请按照以下步骤操作 .

适用于Linux上的AMD GPU用户

python start_services.py --profile gpu-amd

适用于Mac/Apple Silicon用户

不幸的是，如果你使用的是带有M1或更新处理器的Mac，你就无法将GPU暴露给Docker实例。在这种情况下有两种选择：

在CPU上完全运行入门套件：

   python start_services.py --profile cpu

在Mac上运行Ollama以获得更快的推理，并从n8n实例连接到它：

   python start_services.py --profile none

如果你想在mac上运行Ollama，请查看 Ollama主页有关安装说明。

适用于本地运行OLLAMA的Mac用户

如果您在Mac上本地运行OLLAMA（而不是在Docker中），则需要修改n8n服务配置中的OLLAMA_HOST环境变量。按如下方式更新Docker Compose文件中的x-n8n部分：

x-n8n: &service-n8n
  # ... other configurations ...
  environment:
    # ... other environment variables ...
    - OLLAMA_HOST=host.docker.internal:11434

此外，在您看到“编辑器现在可以通过以下方式访问：http://localhost:5678/":

前往http://localhost:5678/home/credentials
点击“当地Ollama服务”
将基本URL更改为“http://host.docker.internal:11434/"

对于其他所有人

python start_services.py --profile cpu

部署到云端

以下步骤的先决条件

安装了Nano、Git和Docker的Linux机器（最好是Unbuntu）

额外步骤

在运行上述命令以拉取repo并安装所有内容之前：

以root身份运行命令以打开必要的端口：

- ufw启用 - ufw允许8000&&&ufw允许3000&&ufw允许5678&&ufw允许3002&ufw允许80&&ufw-允许443 - ufw允许3001（如果你想暴露Flowise，你必须设置环境变量启用身份验证） - ufw允许8080（如果你想暴露SearXNG） - ufw允许11434（如果你想暴露Ollama） - ufw重新加载

为您的DNS提供商设置A记录，以指向您将在Caddy的.env文件中设置的子域

到您的云实例的IP地址。

例如，一条记录将n8n指向n8n.yourdomain.com的\[云实例IP\]

⚡️ 快速启动和使用

自托管AI入门套件的主要组件是docker compose文件预先配置了网络和磁盘，因此您不需要做太多其他事情安装。完成上述安装步骤后，请按照以下步骤操作开始吧。

打开在浏览器中设置n8n。你只会

必须做一次。您在此处的设置中没有使用n8n创建帐户，它只是您实例的本地帐户！

打开附带的工作流：

为每个服务创建凭据：

Ollama网址：http://ollama:11434

Postgres（通过Supabase）：使用.env中的DB、用户名和密码。重要提示：主机是“db” 因为这是运行Supabase的服务的名称

Qdrant URL：http://qdrant:6333（API密钥可以是任何密钥，因为它在本地运行）

谷歌云端硬盘：关注本指南来自n8n. 不要使用localhost作为重定向URI，只需使用您拥有的另一个域，它仍然可以工作！或者，您可以设置本地文件触发器.

选择 测试工作流程 开始运行工作流。

如果这是您第一次运行工作流，您可能需要等待

直到Ollama完成下载Llama3.1。你可以检查docker 控制台日志以检查进度。

确保将工作流切换为活动状态，并复制“生产”webhook URL！

打开在浏览器中设置Open WebUI。

你只需要做一次。您没有在中使用Open WebUI创建帐户在这里设置，它只是您实例的本地帐户！

转到工作区->功能->添加功能->给出名称+描述，然后粘贴

代码来自 n8n_pipe.py

该功能也是在Open WebUI的网站上发布.

点击齿轮图标，将n8n_url设置为webhook的生产url

您在上一步中进行了复制。

打开该功能，现在它将出现在左上角的模型下拉列表中！

要随时打开n8n，请访问在您的浏览器中。要随时打开open WebUI，请访问 .

使用n8n实例，您将可以访问400多个集成和基本和高级AI节点套件，如 AI 代理, 文本分类器, 和信息提取器节点。要使所有内容都本地化，只需记住使用Ollama节点语言模型和Qdrant作为您的矢量存储。

\[！注意\] 此入门套件旨在帮助您开始使用自托管AI 工作流程。虽然它没有完全针对生产环境进行优化，但它将功能强大的组件组合在一起，用于概念验证项目。您可以自定义它以满足您的特定需求

升级

要将所有容器更新到其最新版本（n8n、Open WebUI等），请运行以下命令：

# Stop all services
docker compose -p localai -f docker-compose.yml --profile  down

# Pull latest versions of all containers
docker compose -p localai -f docker-compose.yml --profile  pull

# Start services again with your desired profile
python start_services.py --profile

替换 ` 其中之一： cpu, gpu-nvidia, gpu-amd，或 none`.

注： start_services.py 脚本本身不会更新容器，它只会在您第一次下载这些容器时重新启动或拉取它们。要获取最新版本，您必须显式运行上述命令。

故障排除

以下是您可能遇到的常见问题的解决方案：

Supabase问题

Supabase Pooler重新启动：如果suabase pooler容器不断重新启动，请按照中的说明进行操作 .

Supabase Analytics启动失败：如果更改Postgres密码后suabase分析容器无法启动，请删除该文件夹 supabase/docker/volumes/db/data.

如果使用Docker桌面：进入Docker设置，确保“暴露守护进程tcp://localhost:2375“无TLS”已打开

Supabase服务不可用 -请确保您的Postgres密码中没有“@”字符！如果与kong容器的连接正常（容器日志显示它正在接收来自n8n的请求），但n8n表示它无法连接，这通常是社区共享的问题。其他字符可能也不允许使用，@符号就是我确定的那个！

GPU支持问题

Windows GPU支持：如果您在使用Docker Desktop的Windows上运行支持GPU的Ollama时遇到问题：

1. 打开Docker桌面设置 1. 启用WSL 2后端 1. 请参阅详情请见

Linux GPU支持：如果您在Linux上运行支持GPU的Ollama时遇到问题，请按照以下步骤操作 .

👓 推荐阅读

n8n充满了有用的内容，可以快速入门其人工智能概念以及节点。如果您遇到问题，请转到支持.

🎥 视频演练

Cole的本地AI入门指南

🛍️ 更多AI模板

有关更多AI工作流程的想法，请访问 官方n8n AI模板画廊从每个工作流中，选择 使用工作流 按钮，用于自动将工作流导入您的本地n8n实例。

学习AI关键概念

本地AI模板

提示与技巧

访问本地文件

自托管AI入门套件将创建一个共享文件夹（默认情况下，位于同一目录中），该文件被挂载到n8n容器中，以及允许n8n访问磁盘上的文件。n8n容器中的此文件夹是位于 /data/shared --这是您需要在节点中使用的路径与本地文件系统交互。

与本地文件系统交互的节点

📜 许可证

此项目（最初由n8n团队创建，链接在README顶部）在Apache License 2.0下获得许可-请参阅许可证文件以获取详细信息。

工具与能力

工具数量

0

资源数量

0

提示词数量

0

能力标签

自托管AIPython本地部署低代码开发本地LLM自动化工作流AI代理

数量来自来源目录的标注，具体工具清单以官方文档为准。

典型使用场景

多步任务编排

把拆解、检索、执行串成一条链，模型按步骤调用工具。

长期上下文

把会话、笔记和知识放到外部存储，换个会话还能接着做。

接自有流程

把内部系统和模型连起来，让助手调用已有的工作流。

选择建议

值得选的地方

只提供 0 个工具，职责集中，接入后不容易误操作。
有现成的安装命令，不用自己找入口，照着跑就能起服务。
公开说明写得比较完整，接入前能看清能力边界。

先想清楚的地方

stdio 方式要求本地装好 Python，换机器要重新装一遍。
公开摘要偏短，具体能力和限制要回到仓库确认。
第三方目录整理，版本更新和行为细节以官方仓库为准。

更适合

需要在AI代理场景里让模型直接调用外部能力的人。
想先快速试一下、能接受在本地跑服务的人。

不太适合

完全不想在本地装环境的人。
需要厂商级 SLA 和技术支持的生产环境。

MCP Server	工具数	传输方式	安装命令	收录来源	最后核验
Vividwalls Mas MCP World · 本页	0	stdio	有	1 个	2026-05-17
Everything Claude Code MCP World	0	stdio	有	1 个	2026-05-17
Filesystem 560c4363 MCP World	13	未说明	未标注	2 个	2026-05-17
Time 7365cb6d MCP.so	2	SSE	有	2 个	2026-05-17
Server Everything (everything) MCP World	11	stdio	有	1 个	2026-05-17

常见问题

5 条

Vividwalls Mas 怎么安装？

公开资料给出的安装命令是 python start_services.py --profile gpu-nvidia，运行环境为 Python。装完后按客户端要求写进 MCP 配置，重启客户端生效。

Vividwalls Mas 怎么在 Claude Desktop、Cursor 里配置？

它是stdio 本地进程，客户端配置里要写启动命令和参数，运行环境是 Python；保存后完全退出客户端再打开，配置才会生效。

Vividwalls Mas 收费吗？

本站只整理公开资料，不代收费用，也没有标注具体价格。是否收费取决于服务本身和背后的接口额度，正式使用前按官方说明确认。

Vividwalls Mas 需要 API Key 吗？

公开资料标注为无需认证，装好就能连；如果实际调用时报鉴权错误，按官方文档补上凭据。

Vividwalls Mas 支持哪些客户端？

公开资料没有标注具体客户端；能配置本地 MCP 命令的客户端都能接，配置方式参照官方文档。

来源信息

MCP World

vividwalls-mas

一个集成了本地LLM、低代码开发环境和数据库的自托管AI解决方案，适用于自动化工作流和AI代理开发。

www.mcpworld.com

/detail/7e293ebee912b38f30e54ba306dde195

参考链接

仓库入口

github.com

/kingler/vividwalls-mas

来源标签