把视觉能力接进 Cursor 与 Claude Code：开源 MCP 视觉服务架构与本地 Ollama 部署指南

当 AI Agent 遭遇视觉盲区：“对不起，我看不到你发的图片”

过去一年里，Cursor、Claude Code、Codex 等 AI 编程助手深刻重构了软件工程的生产力范式。

但几乎每个开发者都踩过这样一个恼人的坑：

当你遇到一个复杂的界面样式 Bug，或者拿到设计师给的一张精美 UI 原型图，随手截图发给 Agent，满心期待它直接给出修复补丁或生成 Tailwind 代码时，终端里却冷冷地弹出一句话：

"I cannot view images in this terminal environment. Please provide the text or code directly."

文本大模型在推理与逻辑生成上极其强大，但在无界面的开发终端里，它们被剥夺了“眼睛”。

破局利器：Model Context Protocol (MCP) 视觉标准化

为了解决大模型与外部工具的连接摩擦，Anthropic 开源了 Model Context Protocol (MCP) 协议。它就像 AI 世界的 USB-C 接口，为智能体提供了标准化的外部数据感知与工具调用规范。

基于此，我开源了 Shadow Vision (影瞳)，一个专门为 AI Agent 提供多模态视觉感知的 MCP 服务器。

通过在 Agent 配置文件中加上一行命令，你的 Cursor、Claude Code 便立刻拥有了六大结构化视觉工具：

1. vision_ocr：精准识别报错弹窗、控制台截图、票据及多列复杂表格中的文本；
2. vision_inspect：深度诊断界面渲染问题，解释图表、报错原因及视觉异常；
3. vision_annotate：读懂画面的红框圈选、箭头指示与高亮下划线，精确锁定目标区域；
4. vision_layout：将参考设计图递归分解为元素层级树、间距与配色规范；
5. vision_reconstruct：核心大招——直接将一张 UI 截图逆向重构为干净优雅的 React / HTML / Tailwind 源码草稿；
6. vision_compare：比对修改前后的两张视觉截图，自动找出像素级样式差异与回归 Bug。

拒绝代码泄露：可插拔后端与本地 Ollama 离线部署

企业开发者最大的担忧是商业机密与源码截图泄露。很多在线视觉 API 要求将图片传至公网，这在严格的企业内网政策下绝对禁止。

Shadow Vision 在底层架构上采用了完全解耦的可插拔视觉后端（Pluggable Backends）：

• 本地离线模式（Local-First）：原生支持本地运行的 Ollama（一键挂载开源视觉大模型如 Qwen2-VL、LLaVA）。整套视觉推理与图像数据完全运行在本地 GPU/CPU 上，不向外网发送任何一字节网络数据；
• 云端强力模式（Cloud Pro）：当需要极高精度的视觉推理时，可自由切换至 Anthropic Claude 3.5 Sonnet 或 Google Gemini 多模态模型；
• 自建兼容网关：支持任何遵循 OpenAI-compatible 协议的自建集群（如 LM Studio、vLLM）。

极速配置示例（Claude Desktop / Cursor）：

{
  "mcpServers": {
    "shadow-vision": {
      "command": "uv",
      "args": ["run", "shadow-vision"],
      "env": {
        "VISION_BACKEND": "ollama",
        "OLLAMA_MODEL": "qwen2-vl:7b"
      }
    }
  }
}

让只会读文字的 AI 睁开双眼看懂屏幕，这是人机协作编程走向下一代真正具身化智能的关键一步。