qwen-vision-mcp

让任何文本模型（Claude、GLM、GPT、Gemini...）通过 MCP 按需"看图"。后端走阿里云 DashScope 的 qwen 视觉模型，通过 Anthropic 兼容接口调用。

为什么需要这个

文本模型（GLM-4、Claude Haiku、GPT-4o-mini 等便宜/快的模型）不会直接看图。但很多任务（截图报错、UI 调试、图表分析、文档 OCR）需要视觉理解。

qwen-vision-mcp 把 qwen 视觉模型包装成一个 MCP 工具 look(image, question)，让任何 MCP 兼容的 Agent 按需调用——只在需要时才"看一眼"，主对话仍由你便宜的文本模型驱动。

特色

• 🧠 有状态多轮持久：同一会话内 qwen 会记得之前所有图片和问答，支持"再看一眼刚才那张图"。
• 🚆 自动 trim 防超限：单次请求体超过 DashScope 6MB 上限时，自动把较早的 image block 替换成文字指针（保留文字 question + assistant 回复），长程多图对话不崩。
• 🔌 按进程隔离：每个客户端会话独立一个 MCP server 进程，messages 不串台。
• 📦 极简依赖：只依赖 @modelcontextprotocol/sdk，Bun 直接跑 .ts，无编译步骤。
• 🔁 失败干净回滚：网络异常 / HTTP 错误时自动 pop 掉刚 push 的 user message，历史不污染。

工作原理

文本模型 (GLM/Claude/GPT)  ──MCP stdio──▶  qwen-vision-mcp server
                                                  │
                                                  ▼
                                          DashScope qwen 视觉模型
                                         (Anthropic 兼容接口)

主模型决定"什么时候需要看图、问什么"，qwen 只负责"看一眼并回答具体问题"。模型行为由工具 description 引导（要拆解、要聚焦、要多轮追问）。

安装

需要 Bun 运行时 + DashScope API Key（阿里云百炼控制台 获取）。

git clone <your-fork-url> qwen-vision-mcp
cd qwen-vision-mcp
bun install                    # 装 @modelcontextprotocol/sdk
cp .env.example .env           # 填入 QWEN_API_KEY

.env 内容：

QWEN_BASE_URL=https://dashscope.aliyuncs.com/apps/anthropic/v1
QWEN_API_KEY=sk-你的-key
QWEN_MODEL=qwen3.7-plus
QWEN_MAX_TOKENS=1024
QWEN_MAX_REQUEST_BYTES=5000000

接入 MCP 客户端

Claude Code

在 ~/.claude.json（或项目级 .mcp.json）的 mcpServers 里加：

{
  "mcpServers": {
    "qwen-vision": {
      "command": "bun",
      "args": ["run", "/absolute/path/to/qwen-vision-mcp/index.ts"],
      "env": { "QWEN_API_KEY": "sk-..." }
    }
  }
}

Cursor / Continue / 其它 MCP 客户端

任何支持 stdio MCP server 的客户端都能接入，配置格式大同小异——指定 bun 为 command，run /path/to/index.ts 为 args，把 QWEN_API_KEY 放到 env 里。

Proma

在 Proma 工作区的 mcp.json 里加：

"qwen-vision": {
  "type": "stdio",
  "command": "bun",
  "args": ["run", "/absolute/path/to/qwen-vision-mcp/index.ts"],
  "env": { "QWEN_API_KEY": "sk-...", "QWEN_MODEL": "qwen3.7-plus" },
  "enabled": true
}

暴露的工具

look(image, question) — 有状态

让 qwen 看一张图片回答你提出的具体问题。

• image: 本地绝对路径 / http(s) URL / data:image;base64,...
• question: 针对该图片的具体、聚焦的问题

重要：这个工具是有状态的。同一会话内 qwen 会记得前面所有图片和问答。

• 同一张图追问细节 → 直接连续调用，qwen 自带上下文
• 切换到完全无关的新图 → 先调 reset_vision_session 清空历史，避免旧图污染

reset_vision_session() — 清空历史

何时调：当前图片讨论完、要切到无关新图时，或想从干净状态重启时。 何时不调：同一张图的多轮追问、相关图片延续讨论时。

配置项

已知限制

• 进程隔离 ≠ 跨重启持久化：进程被杀（客户端退出、crash）→ 内存里的 messages 丢失 = 自动 reset。同一会话活跃期间的持久化没问题，跨重启做不到。
• URL 图片需 DashScope 服务端能访问：内网图床 / 被墙的 URL 会报 Failed to download multimodal content，用本地路径最稳。
• 历史图片 trim 策略：超过 QWEN_MAX_REQUEST_BYTES 时从最早的 image 开始替换成文字指针，保留最后 1 张图和所有文字。这意味着 qwen 对"很久之前的图"会失去视觉记忆（但仍能从对话历史里"读"自己之前的描述）。

故障排查

开发与测试

# 启动 server（stdio 模式，等待客户端连接）
bun run index.ts

# 协议层冒烟测试（发 initialize + tools/list）
( \
  printf '%s\n' \
    '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"1.0"}}}' \
    '{"jsonrpc":"2.0","method":"notifications/initialized"}' \
    '{"jsonrpc":"2.0","id":2,"method":"tools/list","params":{}}' ; \
  sleep 2 \
) | bun run index.ts

# 端到端测试（看一张本地图）
( \
  printf '%s\n' \
    '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"1.0"}}}' \
    '{"jsonrpc":"2.0","method":"notifications/initialized"}' \
    '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"look","arguments":{"image":"/tmp/test.png","question":"一句话描述这张图"}}}' ; \
  sleep 15 \
) | bun run index.ts

License

MIT