图片文字识别 MCP

使用阿里云百炼 Qwen OCR 进行图片文字识别提取的 MCP 服务器。

功能特性

• 基于阿里云百炼的 qwen-vl-ocr-2025-04-13 模型
• 高精度文字提取和识别
• 支持自定义识别提示词
• 可配置像素阈值
• 完善的错误处理和友好的中文提示
• TypeScript 类型安全

环境变量

• DASHSCOPE_API_KEY：阿里云百炼 API Key（必需）

安装与构建

npm install
npm run build

运行

# 直接运行已构建的入口
npm start
# 或作为可执行命令
image-ocr-mcp

在 MCP 客户端中配置

以 Claude Desktop 为例，在其 MCP 配置中添加：

{
  "mcpServers": {
    "image-ocr": {
      "command": "node",
      "args": ["/绝对路径/到/本项目/dist/index.js"],
      "env": {
        "DASHSCOPE_API_KEY": "your-dashscope-key"
      }
    }
  }
}

暴露的工具

ocr_extract_text

使用 OCR 识别提取图片中的文字。

参数：

• image_url (必需): 图片URL
• custom_prompt (可选): 自定义识别提示词
• min_pixels (可选): 最小像素阈值，默认 3136
• max_pixels (可选): 最大像素阈值，默认 229376

示例：

{
  "image_url": "https://example.com/image.jpg",
  "custom_prompt": "请识别图片中的所有文字，包括表格内容"
}

目录结构

src/
├── index.ts          # MCP 服务器主入口
├── config.ts         # 配置信息
├── types.ts          # 类型定义
└── tool.ts           # OCR 工具实现

技术细节

• 使用 OpenAI SDK 通过兼容接口调用阿里云 DashScope API
• 默认温度设置为 0.1，确保识别结果稳定
• 最大 tokens 设置为 4000，适合大量文字提取
• 自动处理常见 HTTP 错误（401、403、429、500等）

兼容性

• Node.js >= 18
• @modelcontextprotocol/sdk v1 接口