MCP Ui Analyzer

MCP运维云端

提供方 manhhaycode

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

一个基于本地模型的AI驱动的UI分析工具,提供UI截图分析、颜色提取、文本识别和错误检测功能。

一句话选型结论

按资料字段整理

MCP Ui Analyzer 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 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。

分类运维云端 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 0 仓库热度,无公开仓库时显示未标注
工具数 6 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

运维云端
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6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

UI分析Python本地部署颜色提取文本识别错误检测本地AI

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
python server.py

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 6 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
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

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 6 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,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

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 已经在用 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
MCP Ui Analyzer当前 6 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
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manhhaycode上游标注的维护方 manhhaycode
分类运维云端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

5.8 KB
来自项目仓库与上游目录的原文,未做删改

MCP UI截图分析器

一个MCP(模型上下文协议)服务器,与GitHub Copilot集成,使用 仅限本地模型 (零API成本,隐私优先设计)。

特性

  • UI截图分析:对UI布局和结构的语义理解
  • 调色板提取:使用OpenCV k-means提取主色
  • 文本提取:通过Gemma 3视觉实现OCR功能
  • Bug检测:识别布局问题和可访问性问题
  • 深度级别:可配置的分析深度(快速/标准/深度)
  • 智能缓存:重复分析的性能优化

当前状态

第1周MVP-完成 ✓

  • ✅ 通过Ollama整合Gemma 3 12B视觉
  • ✅ OpenCV颜色提取
  • ✅ 结果缓存(1小时TTL)
  • ✅ 已实施所有6个MCP工具(4个功能齐全)
  • ✅ 错误处理和验证
  • ⏳ YOLOv8组件检测(第2周)
  • ⏳ 代码生成(第3周)

快速开始

先决条件

  • macOS或Linux
  • Python 3.10+
  • 8GB+内存(建议16GB)
  • Ollama已安装

安装```bash

1. Install Ollama

curl -fsSL https://ollama.com/install.sh | sh

2. Pull Gemma 3 12B model

ollama pull gemma3:12b

3. Activate virtual environment (already created)

source venv/bin/activate

4. Run the MCP server

python server.py


### 验证安装```bash
# Check Ollama is running
pgrep -x "ollama"

# Check models are available
ollama list

# Test server initialization
python -c "from server import mcp, gemma_analyzer; print('Server ready!')"

MCP工具

1.分析_截图

具有可配置深度级别的主要分析工具。

参数:

  • image_path (str):截图的绝对路径
  • depth (str):“快速” · “标准” · “深度”

深度级别:

  • 快:仅限Gemma 3(2-4s)-基本描述
  • 标准:Gemma 3+颜色(5-8s)-详细分析
  • 深:完整管道(12-18s)-综合分析

示例:```python

Via GitHub Copilot Chat:

Analyze the UI screenshot at /Users/me/screenshot.png

Programmatic:

result = analyze_ui_screenshot("/path/to/screenshot.png", depth="standard")


### 2.提取_颜色_字体

使用OpenCV k-means聚类提取主色。

**参数**:

- `image_path` (str):图像的绝对路径
- `n_colors` (int):颜色数量(2-10,默认值:5)

**退货**:带有十六进制代码、RGB值和百分比的调色板

### 3.提取_文本

使用Gemma 3 OCR功能从UI中提取文本。

**参数**:

- `image_path` (str):截图的绝对路径

**退货**:提取的文本元素列表

### 4.检测_漏洞

检测布局问题和可访问性问题。

**参数**:

- `image_path` (str):截图的绝对路径

**退货**:严重性问题清单和建议

### 5.检测\_ \_组件

*第2周发布-YOLOv8集成*

### 6.生成_组件_代码

*第3周发布-代码生成*

## GitHub复制集成

### 配置

创建 `.vscode/mcp-settings.json`:```json
{
"mcpServers": {
"ui-analyzer": {
"command": "python",
"args": ["/Users/manhhaycode/Developer/image-analysis/server.py"],
"env": {}
}
}
}

在Copilot聊天中的使用```

Analyze the UI screenshot at /path/to/screenshot.png

Extract colors from /path/to/design.png

Detect bugs in ~/Desktop/app-screenshot.png


## 演出

|操作|时间(CPU)|时间(GPU)|缓存|
|-----------|-----------|-----------|--------|
|快速分析|2-4s|1-2s|\<1s|
|标准分析|5-8s|2-3s|\<1s|
|深度分析|12-18s|4-6s |\<1s|
|颜色提取|\<1s|\<0.5s|\<0.1s|

**缓存**:结果缓存1小时,自动失效

## 项目结构```
image-analysis/
├── server.py                  # MCP server entry point
├── config.yaml               # Configuration
├── analyzers/
│   ├── gemma_analyzer.py     # Ollama Gemma 3 integration
│   ├── color_extractor.py    # OpenCV color extraction
│   └── __init__.py
├── orchestrator/
│   ├── cache.py              # Result caching
│   └── __init__.py
├── tests/
│   ├── fixtures/             # Sample screenshots
│   └── __init__.py
├── utils/
│   └── __init__.py
└── venv/                     # Virtual environment

配置

编辑 config.yaml 自定义:```yaml
vision:
model: "gemma3:12b" # Primary model
fallback: "gemma3:2b" # Low RAM fallback

performance:
enable_caching: true
cache_ttl_seconds: 3600 # 1 hour

color_extraction:
default_n_colors: 5


## 故障排除

**服务器无法启动**:```bash
# Verify Ollama is running
pgrep -x "ollama" || ollama serve &

# Check Gemma 3 model
ollama list | grep gemma3:12b

# Reinstall dependencies
pip install -r requirements.txt

内存不足:```bash

Use quantized model (6.6GB vs 9GB)

ollama pull gemma3:12b-q4

Edit config.yaml:

vision:
model: "gemma3:12b-q4"


**未找到图像错误**:

- 始终使用 **绝对路径**
- 验证文件是否存在: `ls -la /path/to/image.png`
- 检查文件权限

## 发展

### 运行测试```bash
# (Tests to be implemented)
python -m pytest tests/

添加新工具

  1. 实施分析仪 analyzers/
  2. 在中添加MCP工具装饰器 server.py
  3. 集成缓存
  4. 更新文档

路线图

  • 第1周 (完成):MVP与Gemma 3+颜色提取+缓存✓
  • 第2周:YOLOv8组件检测
  • 第3-4周:代码生成、全面测试、文档编制

性能优化

该系统包括几个优化:

  1. 智能缓存:基于MD5的图像哈希,TTL为1小时
  2. 深度级别:用户控制速度和细节之间的权衡
  3. 延迟加载:仅在需要时加载组件
  4. 错误恢复:如果可选功能失败,则性能会下降

硬件要求

  • 最小:8GB RAM,仅CPU(使用量化模型)
  • 推荐:16GB RAM,任何GPU
  • 最优:32GB RAM,8GB+VRAM的GPU

许可证

MIT许可证

贡献

欢迎投稿!请在GitHub上打开问题或PR。

支持

对于问题或疑问:

  • 检查 CLAUDE.md 获取详细文档
  • 查看上面的故障排除部分
  • 打开GitHub问题

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
MCP Ui Analyzer 怎么安装?

在客户端按下面的安装命令接入:python server.py。装完在客户端配置里引用同一个包或端点。

MCP Ui Analyzer 怎么在 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。

MCP Ui Analyzer 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。

MCP Ui Analyzer 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。

MCP Ui Analyzer 支持哪些客户端?

资料标注支持 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。

MCP Ui Analyzer 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 本地AI、Python、Claude。具体工具清单以官方文档为准。

MCP Ui Analyzer 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。

MCP Ui Analyzer 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。