用 MCP 为纯文本编程智能体补上视觉

DeepSeek V4 Flash 写代码很出色。但它看不到你刚刚粘贴的错误对话框、出现故障的 UI，也看不到渲染 bug 的截图。它只会回复：“我看不到图片。”于是你又得手动把错误信息敲出来。

mcp-vision-bridge 解决了这个问题。它是一个轻量级 MCP server，通过把图片转发给你可能已经付费使用的多模态模型——mimo、Claude、Gemini、GPT-4o、Qwen-VL——让任何纯文本 coding Agent 都能拥有视觉能力。它只提供一个工具：analyze_image。

You (paste a screenshot of an error dialog)
    ↓
Agent (text-only, calls analyze_image)
    ↓
mcp-vision-bridge (forwards the image bytes)
    ↓
Your vision model (mimo / Claude / Gemini / GPT-4o)
    ↓
Agent now reasons over a full text description

图片绝不会进入 Agent 的上下文。bridge 读取像素，由你的视觉模型负责识别，再将文本结果返回。

它有什么不同

市面上有很多所谓的“MCP vision”server，但其中大多数都要求你自己托管一个与之通信的 server。这个工具完全在本地运行，只需一条命令，零配置：

适用于所有 Agent——Claude Code、Codex、opencode、Kimi、PI、Cursor、Reasonix。一个 server，支持任意 MCP client。

粘贴或拖放皆可。将图片文件拖进聊天窗口 → prompt 中会出现真实文件路径 → analyze_image 读取该文件。不依赖剪贴板，也没有各种粘贴兼容问题。

自动发现。image="recent" / image="session" 可以找到你在 Claude Code、Codex、opencode、Cowork、Reasonix 和 Grok 中粘贴的图片——无须手动输入路径。

一次调用处理多张图片。粘贴 3 张截图，只需提出一个问题。hook 会读取当前 session transcript，把所有图片放在一次请求中传给模型，并为每张图片分别分配 token 预算。

仅限当前 session。recent/session 绝不会泄露其他 session 中的图片，因此既能保护隐私，也能安全支持并行使用。

自动更新。每次 server 启动时，skill 和 hook 都会自动同步到 ~/.claude/，因此 npx -y mcp-vision-bridge 始终运行最新版本。

安装——选择你的 Agent

Claude Code（plugin，一条命令）：

claude plugin marketplace add KuaaMU/agent-plugins
claude plugin install mcp-vision-bridge

其他 Agent（Codex、opencode、Kimi、PI……）：

git clone https://github.com/KuaaMU/mcp-vision-bridge && cd mcp-vision-bridge
./install.sh            # auto-detects your agent

手动配置（适用于任意 MCP client）：

{
  "command": "npx",
  "args": ["-y", "mcp-vision-bridge"],
  "env": {
    "VISION_OPENAI_BASE_URL": "https://your-endpoint/v1",
    "VISION_OPENAI_API_KEY": "sk-your-key",
    "VISION_MODEL": "your-vision-model"
  }
}

需要 Node.js ≥ 18。

安装完成后，重启你的 Agent。

将图片文件拖进聊天窗口（也可以在 Claude Code / Cowork 中使用 Ctrl+V）。

然后说“看看这个” / “analyze this” / “what's the error?”。

你的 Agent 会调用 analyze_image，并获得一份可用于调试的详细文本描述，包括逐字文本、布局、颜色和异常之处。

粘贴了多张图片？hook 会在当前 session transcript 中检测到它们，并引导 Agent 调用 analyze_image(image="session")——一次调用，处理全部图片。

只有一个工具，也如实说明自己的定位

analyze_image(image, prompt, task, detail, save_to) 接受路径、URL、"clipboard"、"recent"、"session" 或数组。task 预设（describe | ocr | ui | layout | qa）本质上是发送给视觉模型的 prompt——工具没有内置 OCR engine；读取工作由模型完成。将用户的实际问题作为 prompt 传入，模型就会回答你真正提出的问题。

它不是视觉模型——只是把请求转发给你已经付费使用的模型。

它不是 OCR engine——只是请求多模态模型读取图片。

它不是云服务——它在本地运行；你的密钥和图片都会留在自己的机器上。

采用 MIT 许可证。npm：mcp-vision-bridge。源代码：github.com/KuaaMU/mcp-vision-bridge ⭐ 如果它能让你少手动抄写一次错误对话框，点一颗 star 就能帮助这个项目继续维护下去。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。