通用图片识别 MCP 服务器

基于阿里云百炼平台千问视觉模型的通用图片识别 MCP 服务器，支持识别图片中的文字和信息内容。

功能特性

• 通用图片识别: 识别图片中的所有文字内容和关键信息
• 自定义提示词: 支持自定义识别提示词，满足不同需求
• 多种图片格式: 支持URL和base64两种图片输入方式
• 灵活配置: 支持自定义图片像素参数

安装配置

1. 安装依赖

npm install

2. 环境变量配置

设置阿里云百炼API Key：

export DASHSCOPE_API_KEY="your-api-key-here"

或在使用时临时设置：

DASHSCOPE_API_KEY="your-api-key" npm start

3. 构建项目

npm run build

使用方法

启动服务器

npm start

在 Claude Desktop 中配置

在 Claude Desktop 的配置文件中添加：

{
  "mcpServers": {
    "image-recognition": {
      "command": "node",
      "args": ["/path/to/image-recognition-mcp/dist/index.js"],
      "env": {
        "DASHSCOPE_API_KEY": "your-api-key-here"
      }
    }
  }
}

工具说明

recognize_image - 通用图片识别工具

支持识别各种类型的图片内容：

参数说明：

• image_url: 图片URL地址
• image_data: 图片base64数据（可选）
• custom_prompt: 自定义识别提示词（可选）
• min_pixels/max_pixels: 图片像素参数（可选）

使用示例

📝 基本文字识别

请识别这张图片中的文字：https://example.com/image.jpg

🎯 自定义识别需求

请识别这张名片并提取联系信息，图片：https://example.com/business-card.jpg

📋 发票信息提取

请提取这张发票的详细信息，包括金额、税额、开票日期等：https://example.com/invoice.jpg

📊 表格数据识别

请识别这个表格的所有数据：https://example.com/table.jpg

🆔 证件信息识别

请识别这张身份证的信息：https://example.com/id-card.jpg

技术栈

• MCP SDK: Model Context Protocol 框架
• OpenAI SDK: 兼容阿里云百炼API
• TypeScript: 类型安全开发
• 千问视觉模型: qwen-vl-ocr-latest

开发说明

项目结构

src/
├── index.ts              # 主服务器文件
├── tools/
│   └── image-recognition.ts  # 图片识别工具实现
└── types/
    └── index.ts          # 类型定义

开发模式

npm run dev  # 监听文件变化并自动重新构建

注意事项

1. API密钥: 需要有效的阿里云百炼API Key
2. 图片访问: 图片URL需要可公开访问
3. Base64格式: Base64图片数据需要包含数据头（data:image/...）
4. 图片大小: 模型对图片大小有限制，建议合理设置像素参数

更新日志

v1.0.0

• ✨ 通用图片识别功能
• 🛠️ 自定义提示词支持
• 📤 多种图片输入方式
• ⚙️ 灵活参数配置