集成MCP接口的AI图像生成服务器

本项目提供了一个集成Stable Diffusion图像生成能力的模型上下文协议（MCP）服务器，使AI代理能够请求并接收生成的图像。
该项目基于Block的Goose自定义扩展教程。

环境设置

1. 创建一个虚拟环境，并强制使用.venv：

   virtualenv .venv
   

2. 激活虚拟环境：

   source .venv/bin/activate
   

3. 安装MCP包（用于Goose集成）：

   pip install -e .
   

运行服务

MCP服务器包括集成的图像生成服务。你可以通过一条命令启动两者：

标准模式：

source .venv/bin/activate  # 激活你的虚拟环境
export IMAGE_GEN_DIR=/绝对路径/到文件夹 # 设置生成图像的目标文件夹
image-gen-mcp

开发模式与FastMCP Inspector： 打开两个终端：

终端1

source .venv/bin/activate  # 激活你的虚拟环境
export IMAGE_GEN_DIR=/绝对路径/到文件夹 # 设置生成图像的目标文件夹
image-gen-mcp # 启动图像生成服务（以及一个我们不会使用的MCP服务器）

终端2

source .venv/bin/activate  # 激活你的虚拟环境
export IMAGE_GEN_DIR=/绝对路径/到文件夹 # 设置生成图像的目标文件夹
mcp dev src/image_gen_mcp/server.py # 使用Inspector启动MCP服务器

注意：仅在使用开发模式时，图像生成服务必须单独启动。

这将启动带有FastMCP Inspector的MCP服务器，它提供了：

1. 在http://127.0.0.1:6274上的Web界面，用于测试和调试
2. 在端口6277上的代理服务器，用于转发MCP请求

使用FastMCP Inspector：

1. 在浏览器中打开http://127.0.0.1:6274
2. 使用交互式界面来：
   • 探索可用工具及其文档
   • 使用自己的提示测试generate_image工具
   • 查看请求/响应历史
   • 调试MCP服务器中的任何问题

图像生成服务的自定义端口：

source .venv/bin/activate  # 激活你的虚拟环境
export IMAGE_GEN_DIR=/绝对路径/到文件夹 # 设置生成图像的目标文件夹
image-gen-mcp --port 5001

直接API访问

通过发送POST请求到图像生成服务来生成图像：

curl -X POST http://localhost:5000/generate \
  -H "Content-Type: application/json" \
  -d '{"prompt": "日落时分的未来城市景观"}'

响应将包含访问生成图像的URL以及元数据：

{
  "type": "image",
  "format": "png",
  "url": "http://localhost:5000/images/123e4567-e89b-12d3-a456-426614174000.png",
  "width": 512,
  "height": 512,
  "filename": "123e4567-e89b-12d3-a456-426614174000.png",
  "filepath": "generated_images/123e4567-e89b-12d3-a456-426614174000.png",
  "mime_type": "image/png",
  "prompt": "日落时分的未来城市景观",
  "alt_text": "由AI生成的图像：日落时分的未来城市景观"
}

你可以通过返回的image_url直接访问生成的图像。

文件组织

• src/image_gen_mcp/ - 包含实现的包目录
  • server.py - MCP服务器实现
  • generator.py - 图像生成服务
  • __init__.py - 包初始化和CLI入口点
  • __main__.py - 允许作为模块运行的包

与Goose的集成

要在Goose中添加此MCP服务器作为扩展：

1. 前往设置 > 扩展 > 添加。
2. 将类型设置为标准IO。
3. 提供ID“image_generator”，名称“图像生成器”，并提供适当的描述。
4. 在命令字段中，提供可执行文件的绝对路径：

   uv run /完整路径/到你的项目/.venv/bin/image-gen-mcp
   

5. 添加环境变量IMAGE_GEN_DIR，并选择一个文件夹以存储生成的图像

一旦集成完成，你可以在Goose中使用图像生成工具，只需要求它根据特定提示生成图像即可。

使用OpenAI GPT-4o时可以立即工作。
使用Ollama可以在本地运行所有内容，尝试了几种模型后，唯一能工作的模型是mistral-small3.1。
即使在高端MacBook Pro上，mistral-small3.1的响应速度也比OpenAI GPT-4o慢得多。

服务架构

两个服务都集成在一个应用程序中：

1. 图像生成服务（src/image_gen_mcp/generator.py）

   • 使用Stable Diffusion处理实际的图像生成
   • 提供简单的HTTP API进行图像生成
   • 返回图像URL、尺寸和元数据
   • 包括一个直接端点来提供生成的图像
   • 默认运行在端口5000（可通过--port自定义）
   • 在同一进程内的独立线程中运行

2. MCP服务器（src/image_gen_mcp/server.py）

   • 为AI代理提供标准化的MCP接口
   • 将请求转发给集成的图像生成服务
   • 返回一个格式化的MCP图像对象，包含URL和元数据

停止服务

使用Ctrl+C停止两个服务，因为它们现在在同一进程中运行。