Z Image Turbo MCP

MCP设计创作

提供方 balex42

设计创作 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个基于Diffusers Z-Image-Turbo管道的HTTP模型上下文协议(MCP)服务器,提供图像生成功能,支持Docker容器和NVIDIA GPU加速。

一句话选型结论

按资料字段整理

Z Image Turbo MCP 属于设计创作类 MCP 服务器,stdio · 本地进程,无需鉴权,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。

分类设计创作 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 未标注 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

设计创作
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注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

适用场景

图像生成Python本地部署MCP服务器GPU加速DiffusersDocker

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 my_client.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

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

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
出图与素材

生成配图、图标与素材。

设计稿处理

读取设计稿、批量改尺寸或导出。

内容生成

按主题生成文案与视觉草稿。

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

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 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。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在设计创作场景里让模型直接调用外部能力的人。
  • 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
Z Image Turbo MCP当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Cursor Talk To Figma MCP Da1c7911 40 未标注 未标注 无 2026-05-17
Blender MCP 17 stdio · 本地进程 本地部署 有 2026-05-18
Nova Canvas MCP Server 2 stdio · 本地进程 本地部署 有 2026-05-17
Figma Context MCP 3aaa8d28 未标注 未标注 支持远程部署 无 2026-05-17
kreuzberg 未标注 stdio · 本地进程 本地部署 有 2026-04-12

服务器档案

设计创作
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balex42上游标注的维护方 balex42
分类设计创作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

4.2 KB
来自项目仓库与上游目录的原文,未做删改

Z-Image Turbo–MCP服务器

一个HTTP模型上下文协议(MCP)服务器,在一个简单的MCP工具后面托管扩散器Z-Image-Turbo管道。使用NVIDIA GPU加速在Docker中运行。

服务器公开了一个工具:

  • generate_image(prompt: str) -> list[Image | str]

它返回一个PNG图像列表(MCP图像类型,原始PNG字节)和一条短消息。图像大小、步长和输出数量通过环境变量进行控制。

先决条件

  • 码头工人
  • 配备最新驱动程序的NVIDIA GPU
  • NVIDIA容器工具包(将GPU传递到容器中)

快速入门(Docker Compose)

构建并启动服务器:```bash
docker compose up --build -d


MCP HTTP端点将在以下位置可用:

- 基本URL: `http://localhost:8000`
- MCP路径: `http://localhost:8000/mcp`

注意:这是一个MCP服务器,而不是一个REST API。使用MCP客户端(见下文)或附带的Python客户端调用工具。

要查看日志或停止:```bash
docker compose logs -f
docker compose down

配置

所有配置都是通过环境变量处理的(请参见 compose.yaml).默认值应用于 server.py.

  • ENABLE_CPU_OFFLOAD (默认值: true)
  • true:将层卸载到CPU以减少VRAM使用(速度较慢,内存传输更多)
  • false:将模型完全放在GPU上以获得最大速度
  • DEFAULT_HEIGHT (默认值: 1024)
  • DEFAULT_WIDTH (默认值: 1024)
  • DEFAULT_STEPS (默认值: 9)
  • DEFAULT_SEED (可选;如果设置,输出是可重复的)
  • DEFAULT_NUM_IMAGES (默认值: 4)–每个提示生成的图像数量

其他相关作曲设置:

  • Hugging Face缓存通过绑定挂载持久化: ${HOME}/.cache/huggingface:/root/.cache/huggingface
  • GPU通过以下方式保留 deploy.resources.reservations.devices 使用NVIDIA驱动程序。

使用附带的Python客户端

您可以在中使用提供的客户端测试服务器 my_client.py。它连接到 http://localhost:8000/mcp 使用FastMCP Python客户端并调用 generate_image 工具。

服务器启动后,在本地(容器外)运行它:```bash
python3 my_client.py


如果你想保存返回的图像,你可以这样调整客户端:```python
import asyncio
from fastmcp import Client
from fastmcp.utilities.types import Image

client = Client("http://localhost:8000/mcp")

async def call_and_save(prompt: str):
async with client:
results = await client.call_tool("generate_image", {"prompt": prompt})
# Results is a list of Image objects (PNG bytes) and a trailing message string
img_idx = 0
for item in results:
if isinstance(item, Image):
with open(f"output_{img_idx}.png", "wb") as f:
f.write(item.data)
img_idx += 1
print(results[-1])  # e.g., "Generated N image(s) for prompt: ..."

asyncio.run(call_and_save("A futuristic cityscape at sunset"))

MCP客户端集成

任何支持HTTP传输的MCP感知客户端都可以连接到 http://localhost:8000/mcp 并致电 generate_image 工具与单个 prompt 弦。图像大小、步长和批大小通过上面列出的环境变量(不是每次调用参数)进行控制。

引擎盖下面是什么?

  • server.py 在上启动FastMCP HTTP服务器 0.0.0.0:8000 并缓慢地加载扩散器 ZImagePipeline (Tongyi-MAI/Z-Image-Turbo).
  • CPU卸载可以通过以下方式切换 ENABLE_CPU_OFFLOAD.
  • GPU锁可确保一次只运行一代,以避免VRAM峰值。

故障排除

  • 容器看不到GPU
  • 确保安装了NVIDIA驱动程序和容器工具包。
  • 在某些主机上,安装工具包后可能需要重新启动Docker。
  • CUDA/驱动程序不匹配错误
  • 该图像使用CUDA 12.8运行时。确保您的主机驱动程序支持CUDA 12。
  • GPU内存不足(OOM)
  • 集 ENABLE_CPU_OFFLOAD=true.
  • 减少 DEFAULT_NUM_IMAGES 和/或更低 DEFAULT_HEIGHT/DEFAULT_WIDTH.
  • 首次请求缓慢
  • 第一个提示将权重加载到内存中;后续通话更快。
  • 拥抱人脸率限制或身份验证
  • 如果您需要私人型号,请使用您的 huggingface 根据需要缓存和登录令牌。

开发说明

  • Python deps被固定在 requirements.txt 并安装在Docker镜像中。
  • 该服务监听端口8000(在Compose中映射)。必要时进行调整。

常见问题

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

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

Z Image Turbo MCP 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Z Image Turbo 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。

Z Image Turbo 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。

Z Image Turbo MCP 能提供哪些能力?

资料显示能力标签包括 图像生成、Python、Docker。具体工具清单以官方文档为准。

Z Image Turbo 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。

Z Image Turbo 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。