DSH-vision-mcp · 识图 MCP（零依赖）

给本身不支持图片输入的模型（DeepSeek、纯文本模型等）装上"眼睛"的 MCP 服务器。

主模型调用 MCP 工具 img2text → 服务器读取图片（本地路径 / URL / data URL / base64）→ 转发给外部 OpenAI 兼容视觉 API（GPT-4o、Qwen-VL、GLM-4V、本地 Ollama 等）→ 把视觉模型返回的文字描述交回主模型继续推理。

主模型(纯文本)  --img2text(image, prompt)-->  dsh-vision-mcp
                                                   │ 读取图片 → base64
                                                   ▼
                                          外部视觉 API（VISION_API_BASE + VISION_MODEL）
                                                   │ 文字描述
                                                   ▼
主模型拿到文字描述，继续推理/回答

• 零依赖：仅用 Node.js 内置模块（Node ≥ 18，含 fetch），无需 npm install
• 标准 MCP stdio 协议，兼容 Claude Code / Cursor / Claude Desktop / Cline 等一切 MCP 客户端
• 支持 OpenAI 兼容协议的任意厂商与自建网关，prompt 可自定义（通用描述 / OCR / 报错分析等）

一行安装（npm / GitHub）

# 方式一：npm 全局安装（发布到 npm 后）
npm i -g dsh-vision-mcp

# 方式二：直接从 GitHub 安装（无需等 npm 发布）
npm i -g github:你的用户名/dsh-vision-mcp

# 方式三：不安装，临时跑（npx）
npx dsh-vision-mcp

安装后生成 dsh-vision-mcp 命令，在任意 MCP 客户端里这样配置：

{
  "mcpServers": {
    "dsh-vision": {
      "command": "dsh-vision-mcp",
      "env": {
        "VISION_PROVIDERS": "[{\"name\":\"qwen\",\"base\":\"https://dashscope.aliyuncs.com/compatible-mode/v1\",\"model\":\"qwen3-vl-flash\",\"apiKey\":\"sk-xxx\"}]"
      }
    }
  }
}

也可以不装包，直接用 node 跑仓库里的 server.js："command": "node", "args": ["/path/to/server.js"]。

文件

测试工具（mock-api / test-client / concurrent-test）为本地开发件，不随仓库分发；开发验证见 docs/DEVELOPER.md（本地文档）。

环境变量

快速验证（本地 mock，无需任何 key）

本地开发件（docs/DEVELOPER.md 有完整说明）：从开发备份取回 mock-api.js / test-client.js / test.png 后：

# 终端 1：启动 mock 视觉 API
node mock-api.js

# 终端 2：跑端到端测试（initialize → tools/list → tools/call）
$env:VISION_API_BASE='http://localhost:9876/v1'
$env:VISION_MODEL='mock-vision-1'
node test-client.js .\test.png

预期输出：7 项 [PASS]，工具返回 MOCK_VISION_OK ... received_image_base64_chars=96， 证明"图片 base64 已送达视觉 API、文字描述已回传"的链路是通的。

接入 MCP 客户端

Claude Code

claude mcp add dsh-vision -- node /绝对路径/server.js

或写入 MCP 配置文件（~/.claude.json / 项目 .mcp.json）：

{
  "mcpServers": {
    "dsh-vision": {
      "command": "node",
      "args": ["/path/to/dsh-vision-mcp/server.js"],
      "env": {
        "VISION_API_BASE": "https://api.openai.com/v1",
        "VISION_MODEL": "gpt-4o",
        "VISION_API_KEY": "sk-你的密钥"
      }
    }
  }
}

Cursor / Claude Desktop / Cline

在各自的 MCP 配置里按同样格式添加一个 stdio 类型 server： command=node，args=[server.js 绝对路径]，env 同上。

"对话框直插图片"的客户端适配

img2text 工具对任何标准 MCP 客户端到手即用：使用时机、图片附件引用格式（[图片附件：名称] 图片文件：<绝对路径>）、prompt 规则、转述要求等行为规范已内置在工具描述里，任何 agent 看工具描述即懂，无需额外指令文件（无需 CLAUDE.md / AGENTS.md / rules）。

但在对话框直接粘贴/拖拽图片发送时，纯文本主模型收不了图片，各客户端需要一点额外适配才能"直插即读"：

DSH（DeepSeek Harness）

需要打服务端图片降级补丁，一条命令（自动定位 DSH 的 bundle、幂等、改前备份、改后语法校验失败自动回滚）：

dsh-vision-mcp-patch            # 打补丁（安装后即有该命令；或 node patch-dsh.js）
dsh-vision-mcp-patch --check    # 检查是否已打
dsh-vision-mcp-patch --restore  # 回滚（从 .image-vision.bak 恢复）

补丁把 prompt 准入从"拒绝"（MODEL_DOES_NOT_SUPPORT_IMAGES）改为图片降级：图片落盘为 durable attachment，消息中插入一行文本引用（[图片附件：name（mediaType）] 图片文件：<绝对路径>），agent 按工具描述自动调 img2text —— 对话框直插图片即用。

补丁直接改 node_modules 里的构建产物，DSH 升级会被覆盖，升级后重跑一次 dsh-vision-mcp-patch 即可。

Claude Code

主模型不支持图片时直插会被拒。工具描述已内置行为规范（agent 看到图片引用会自动调 img2text），但"直插图片自动落盘转引用"需要钩子（hook）把附件路径注入消息文本，思路同 DSH 降级：图片落盘 → 消息里出现 [图片附件：name] 文件：<绝对路径> → agent 调 img2text。

Cursor / 其他

工具描述已覆盖行为规范，无需额外指令；直插图片若被客户端拦截，同样需要钩子/脚本把附件转成路径文本。

各家视觉 API 配置示例（任选其一）

只要服务端实现了 OpenAI POST /chat/completions 且支持 image_url 内容块，即可接入。

多供应商 fallback（限流自动切换）

VISION_PROVIDERS 配置一组模型，调用时按顺序尝试：429 限流 / 5xx / 网络错误 / 超时 / 空内容自动换下一个，全部失败才报错；成功结果带 [provider: 名字] 标注。JSON 数组格式：

$env:VISION_PROVIDERS = '[{"name":"zen","base":"https://opencode.ai/zen/v1","model":"mimo-v2.5-free","apiKey":"zen-key"},
                          {"name":"glm","base":"https://open.bigmodel.cn/api/paas/v4","model":"GLM-4.6V-Flash","apiKey":"glm-key"},
                          {"name":"qwen","base":"https://dashscope.aliyuncs.com/compatible-mode/v1","model":"qwen3-vl-flash","apiKey":"qwen-key"}]'

DSH 的 cordis.patch.yml 中已内置默认：zen(mimo-v2.5-free, key 读 OPENCODE_API_KEY) → glm(GLM-4.6V-Flash) 双套兜底；设置 VISION_PROVIDERS 环境变量可整体覆盖。

思考模式控制（读图建议关闭）

每个 provider 可加 "reasoning" 字段："none"（关闭思考，读图更快更省）/ "low" / "medium" / "high"。设置后下发 reasoning_effort 且不再发 temperature（部分模型两者冲突）。全局兜底可用环境变量 VISION_REASONING。留空 = 按模型默认。

$env:VISION_PROVIDERS = '[{"name":"lunora","base":"https://api.uselunora.com/v1","model":"gemini-3-flash","apiKey":"lunora-key","reasoning":"none"}]'

实测：Lunora(gemini-3-flash) 接受 reasoning_effort:"none"（响应 5.2s → 3.5s）；智谱 GLM 不接受该参数（思考照开），故只对已验证的厂商配置关闭。

工具说明

img2text

默认提示词要求：逐字提取可见文字、描述布局与元素关系、完整还原截图/代码/图表中的信息，只描述可见内容。

实测结果

• 本地路径输入：initialize ✓ tools/list ✓ tools/call ✓（7 项全过，exit 0）
• data URL 输入 + 自定义 prompt：7 项全过，prompt 正确透传（exit 0）
• 图片以 data:mime;base64,... 形式随请求送达视觉 API（mock 校验 received_image_base64_chars=96 = 70 字节 PNG）

现成的同类 MCP（不想自维护可选这些）