mcp-vision-image-fadhli

MCP server untuk analisis gambar lewat 9router — dengan penemuan otomatis model vision yang benar-benar bekerja di mesin Anda.

Tidak perlu daftar model hardcoded. Tidak perlu API key Google. Tidak ada quota free tier.

Kenapa perlu penemuan otomatis?

9router mengekspos ratusan model, dan katalognya punya flag capabilities.vision. Flag itu tidak bisa dipercaya.

Diukur pada satu mesin (24 Sep 2026):

| | | |---|---| | Model di katalog | 824 | | Mengklaim vision: true | 468 | | Benar-benar bisa memproses gambar | segelintir |

Sampel 50 model yang mengklaim vision: hanya 4 yang menjawab benar. Sisanya gagal karena:

• 401/403 — API key provider mati
• 402 — kredit habis
• 5xx — error upstream (dibungkus 9router jadi 503)
• 200 dengan content kosong — paling menyesatkan: HTTP sukses, tapi tidak ada jawaban
• timeout

Yang penting: penyebabnya hampir selalu provider, bukan model. Dan karena setiap instalasi 9router punya provider & akun yang berbeda, daftar model yang bekerja tidak bisa di-hardcode — harus ditemukan di mesin tempat server berjalan.

Cara kerja

analyze_image
   │
   ├─ 1. Coba model eksplisit / env ROUTER9_MODEL / cache / default
   │     └─ berhasil? selesai. (kasus umum, cepat)
   │
   └─ 2. Semua gagal → pindai mesin ini
         ├─ sapu SATU model per provider (gelombang 1)
         ├─ provider hidup? perdalam di gelombang berikutnya
         ├─ uji pakai gambar 3 kotak, nilai jawabannya
         └─ simpan hasil → pakai model tercepat

Mengapa menyapu provider dulu: kegagalan itu soal provider. Menguji 5 model dari provider yang sama itu sia-sia — kalau providernya mati, kelimanya mati. Gelombang 1 mengambil satu model per provider, jadi berapa pun jumlah providernya, sekali jalan langsung ketahuan mana yang hidup.

Model dinilai secara objektif. Gambar uji berisi 3 kotak (merah, hijau, biru). Model yang benar-benar bisa melihat akan menyebut ketiga warna; model yang mengarang tidak akan cocok.

Instalasi

npm install -g mcp-vision-image-fadhli

Butuh 9router berjalan di mesin yang sama (default http://127.0.0.1:20128).

Konfigurasi MCP

Tambahkan ke ~/.claude.json (atau config MCP klien Anda):

{
  "mcpServers": {
    "mcp-vision-image": {
      "type": "stdio",
      "command": "node",
      "args": ["C:\\path\\ke\\mcp-vision-image\\src\\server.js"],
      "env": {
        "ROUTER9_API_KEY": "sk-xxxxxxxxxxxx"
      }
    }
  }
}

API key diambil dari dashboard 9router → Endpoint & Key.

Cuma satu key yang dibutuhkan. Key 9router membuka seluruh pool model Anda — tidak perlu key Antigravity, B.AI, atau provider lain satu per satu.

Variabel lingkungan

| Variabel | Default | Keterangan | |---|---|---| | ROUTER9_API_KEY | — | Wajib. API key 9router. | | VISION_PROVIDERS | semua | Batasi pemindaian ke provider tertentu, dipisah koma (mis. ag,oc). | | ROUTER9_BASE_URL | http://127.0.0.1:20128 | Alamat 9router. | | ROUTER9_MODEL | — | Paksa satu model, lewati pemilihan otomatis. | | ROUTER9_MAX_TOKENS | 2000 | Batas token jawaban. | | ROUTER9_TIMEOUT_MS | 120000 | Timeout per model. |

Membatasi ke provider tertentu

Kalau Anda hanya memakai beberapa provider, batasi pemindaian supaya tidak boros kuota dan waktu:

"env": {
  "ROUTER9_API_KEY": "sk-xxxxxxxxxxxx",
  "VISION_PROVIDERS": "ag,oc"
}

ag = Antigravity, oc = OpenCode. Provider yang diminta tapi tidak ada di katalog akan dilaporkan sebagai peringatan — tidak diabaikan diam-diam.

Efeknya terukur: memindai semua provider menemukan 4 model bekerja dari 30 diuji; dibatasi ke ag menemukan 9 dari 10 diuji — karena provider yang sehat tidak lagi tenggelam di antara provider yang kreditnya habis.

Tools

analyze_image

Menganalisis gambar dari file lokal atau URL.

| Parameter | Keterangan | |---|---| | image_path | Path file lokal | | image_url | URL gambar (diunduh otomatis) | | prompt | Instruksi spesifik (opsional) | | model | Paksa model tertentu (opsional) |

Jawabannya menyertakan model mana yang dipakai dan berapa lama.

discover_vision_models

Memindai 9router untuk menemukan model yang benar-benar bisa memproses gambar di mesin ini. Hasilnya di-cache dan dipakai otomatis oleh analyze_image.

Jalankan ulang kalau daftar terasa basi (provider berganti, kredit berubah).

| Parameter | Default | Keterangan | |---|---|---| | target | 5 | Berhenti setelah sekian model bekerja | | max_probe | 48 | Batas atas model diuji (pengaman kuota) | | include_non_vision | false | Ikut uji yang tidak mengklaim vision — untuk memeriksa akurasi metadata |

Batas selalu dilaporkan. Kalau ada model yang tidak diuji karena kena batas, jumlahnya disebutkan — supaya hasilnya tidak terbaca "menyeluruh" padahal tidak.

get_usage_stats

Statistik pemakaian per model, riwayat harian, status backend, dan ringkasan hasil pemindaian terakhir.

Catatan teknis

Kenapa endpoint Anthropic, bukan OpenAI?

Untuk input gambar, /v1/chat/completions di 9router mengembalikan HTTP 200 dengan content kosong — untuk semua model yang diuji. /v1/messages dengan model yang sama menjawab benar. Jadi ini soal jalur translasi gambar di 9router, bukan soal model.

| Endpoint | Hasil untuk input gambar | |---|---| | /v1/chat/completions | HTTP 200, content kosong | | /v1/messages | jawaban benar |

Blok thinking dibuang

Model thinking mengirim rantai penalaran di thinking_delta (sering dalam bahasa Mandarin). Parser hanya mengambil text_delta, dan max_tokens dijaga cukup tinggi supaya jatah tidak habis di thinking lalu menyisakan content kosong.

Test

ROUTER9_API_KEY=xxx npm test

13 pemeriksaan, termasuk memanggil tool lewat protokol MCP sungguhan (stdio) dan memverifikasi jawaban terhadap gambar uji secara objektif.

Untuk memindai lebih luas di luar test:

node test/probe-vision.js --per-provider 2    # sampel stratifikasi
node test/probe-vision.js --all               # sapu bersih
node test/probe-vision.js --only ag/gemini-3.8-flash-high
node test/probe-vision.js --control           # uji akurasi metadata katalog

Lisensi

MIT