Semantic Image Search MCP

MCPAI代理

提供方 Casey-Hemingway

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude DesktopClaude
查看接入方式

一款基于AI语义理解的本地图像搜索服务器,支持通过自然语言描述搜索照片档案,并与Claude Desktop无缝集成。

一句话选型结论

按资料字段整理

Semantic Image Search MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude Desktop、Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 2 仓库热度,无公开仓库时显示未标注
工具数 4 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量4暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

图像搜索Python本地部署自然语言处理本地处理Claude集成照片管理

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python3 -m venv venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 4 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 4 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Semantic Image Search MCP当前 4 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Casey-Hemingway上游标注的维护方 Casey-Hemingway
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

7.5 KB
来自项目仓库与上游目录的原文,未做删改

语义图像搜索MCP服务器

使用具有人工智能语义理解的自然语言搜索您的照片档案。作为MCP(模型上下文协议)服务器构建,可与Claude Desktop无缝集成。

特性

  • 语义搜索:通过描述图像中的内容来查找图像,而不仅仅是文件名
  • 零配置:无需手动标记-开箱即用
  • EXIF元数据:自动提取相机设置、日期和GPS数据
  • 快速索引:针对Apple Silicon(MPS)和NVIDIA GPU(CUDA)进行了优化
  • 克劳德集成:通过MCP与Claude Desktop原生协作
  • 隐私第一:100%本地运行-您的照片永远不会离开您的机器

快速开始

1.安装```bash

Clone the repository

git clone https://github.com/himalayantrust/semantic-image-search-mcp
cd semantic-image-search-mcp

Create virtual environment

python3 -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate

Install dependencies

pip install -r requirements.txt


### 2.配置```bash
# Copy example configuration
cp config.yml.example config.yml

# Edit config.yml with your photo archive path
nano config.yml  # or use your preferred editor

最低配置:```yaml
archive_path: "/path/to/your/photos"


### 3.为照片建立索引```bash
# Run initial indexing
python3 -c "
import asyncio
from pathlib import Path
from src.config import Config
from src.indexer import ImageIndexer

async def index():
config = Config.from_yaml(Path('config.yml'))
indexer = ImageIndexer(config)
stats = await indexer.index_archive()
print(f'Indexed {stats[\"indexed\"]} images')

asyncio.run(index())
"

4.设置Claude桌面集成

添加到您的Claude Desktop配置(~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上):```json
{
"mcpServers": {
"semantic-image-search": {
"command": "python3",
"args": ["/absolute/path/to/photo-library/run_server.py"],
"env": {
"PYTHONPATH": "/absolute/path/to/photo-library"
}
}
}
}


### 5.重新启动克劳德桌面

更新配置后,重新启动Claude Desktop。你应该看看 `semantic-image-search` 服务器连接到MCP部分。

## 使用示例

### 搜索图片

问克劳德:```
Search my photos for images with people in classrooms
``````
Find photos of mountain landscapes taken in 2024
``````
Show me portraits with natural lighting

获取图像详细信息```

Get detailed information about image abc123def456


### 查看存档统计信息```
Show me statistics about my photo archive

添加照片后重新索引```

Reindex my photo archive


## MCP工具

服务器向Claude公开了四个工具:

### 1. `search_images`

使用带有可选过滤器的自然语言查询搜索图像。

**参数:**

- `query` (字符串,必填):自然语言描述
- `limit` (整数,可选):最大结果(默认值:10,最大值:100)
- `date_from` (字符串,可选):按日期筛选(ISO格式:YYYY-MM-DD)
- `date_to` (字符串,可选):按日期筛选(ISO格式:YYYY-MM-DD)
- `folder_pattern` (字符串,可选):按文件夹路径筛选

**例子:**```python
{
"query": "person standing in a room",
"limit": 5,
"date_from": "2024-01-01"
}

2. get_image_info

获取特定图像的详细元数据。

参数:

  • image_id (字符串,必填):唯一图像标识符

3. reindex_archive

为新的或修改过的图像重新索引照片存档。

参数:

  • force (布尔值,可选):强制重新索引所有图像(默认值:false)

4. get_archive_stats

获取有关索引照片存档的统计信息。

无需参数。

配置参考```yaml

Path to your photo archive (required)

archive_path: "/path/to/photos"

Directory for storing index data (optional)

data_dir: "./data"

CLIP model configuration

clip:

Model to use for embeddings

model_name: "openai/clip-vit-base-patch32" # or "openai/clip-vit-large-patch14"

Device for inference

device: "auto" # auto, mps, cuda, or cpu

Batch size for processing

batch_size: 32 # Increase for more RAM/VRAM

Search configuration

search:
default_limit: 10
max_limit: 100
similarity_threshold: 0.0 # 0.0 = show all ranked results

Thumbnail configuration

thumbnails:
enabled: true
max_size: 512
quality: 85


## 建筑

### 技术栈

- **CLIP**OpenAI用于理解图像的视觉语言模型
- **FAISS**:Facebook的向量相似性搜索库
- **SQLite**:用于元数据存储的轻量级数据库
- **主控程序**:用于Claude集成的模型上下文协议
- **PyTorch**:支持Apple Silicon(MPS)的ML框架

### 运作原理

1. **索引**:

- 扫描存档中的图像文件
- 提取EXIF元数据(相机、日期、位置等)
- 使用CLIP生成语义嵌入
- 将嵌入存储在FAISS向量索引中
- 将元数据保存在SQLite数据库中

1. **搜索**:

- 将文本查询转换为嵌入
- 在FAISS索引中搜索相似的图像嵌入
- 应用筛选器(日期、文件夹等)
- 返回具有相似性得分的排名结果

1. **MCP集成**:

- 通过stdio协议向Claude公开搜索工具
- Claude可以搜索、获取详细信息并管理您的档案
- 所有处理都在您的机器上本地进行

## 演出

### 索引速度(苹果Silicon M系列)

- **小型档案** (\<1000张图片):约30秒
- **中型档案** (1000-10000张图片):2-5分钟
- **大型档案** (10000多张图片):10-30分钟

### 搜索延迟

- **典型查询**:200-500毫秒
- **带过滤器**:300-700ms

### 内存使用

- **基础**:~200MB(型号+服务器)
- **每10000张图片**:~20MB(嵌入+元数据)

## 故障排除

### “未找到FAISS索引”错误

先运行索引:```bash
python3 -c "import asyncio; from src.indexer import ImageIndexer; from src.config import Config; from pathlib import Path; asyncio.run(ImageIndexer(Config.from_yaml(Path('config.yml'))).index_archive())"

MCP服务器未连接

  1. 检查克劳德桌面日志: ~/Library/Logs/Claude/mcp*.log
  2. 验证中的绝对路径 claude_desktop_config.json
  3. 确保 config.yml 存在于项目目录中
  4. 检查 mcp-server.log 对于错误

索引速度慢

  • 减少 batch_size 在config.yml中(使用更少的内存,速度稍慢)
  • 检查是否正在使用MPS/CUDA(查找“使用苹果硅MPS”消息)
  • 关闭其他应用程序以释放RAM

导入错误

确保虚拟环境已激活:```bash
source venv/bin/activate # On Windows: venv\Scripts\activate


## 发展

### 运行测试```bash
pytest tests/

代码格式化```bash

black src/
ruff check src/
```

用例

博物馆和档案馆

按内容、时代或主题搜索历史照片集。

非政府组织和实地工作

查找来自特定旅行、地点或活动的照片,以供报道和社交媒体使用。

媒体公司

快速找到与创意内裤相匹配的库存镜头和图像。

摄影师

按视觉内容组织和搜索大型作品集。

研究人员

在大型数据集中查找特定图像以供分析和发布。

贡献

欢迎投稿!拜托:

  1. 分叉存储库
  2. 创建要素分支
  3. 进行更改
  4. 如果适用,添加测试
  5. 提交拉取请求

许可证

MIT许可证-请参阅 许可证 文件以获取详细信息。

致谢

  • 建立在 CLIP 通过OpenAI
  • 用途 FAISS Meta AI研究
  • 实现 模型上下文协议 通过Anthropic

支持

对于问题和疑问:

  • GitHub问题:https://github.com/himalayantrust/semantic-image-search-mcp/issues
  • 电子邮件:info@himalayantrust.org

喜马拉雅信托团队用爱建造 🏔️

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Semantic Image Search MCP 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv venv。装完在客户端配置里引用同一个包或端点。

Semantic Image Search MCP 怎么在 Claude Desktop、Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Semantic Image Search MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Semantic Image Search MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Semantic Image Search MCP 支持哪些客户端?

资料标注支持 Claude Desktop、Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Semantic Image Search MCP 能提供哪些能力?

资料显示约 4 个工具;能力标签包括 本地处理、Python、Claude。具体工具清单以官方文档为准。

Semantic Image Search MCP 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Semantic Image Search MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。