AI导哈

视觉与图像生成服务

Hitomi 是一个为纯文本模型添加视觉分析和图像生成能力的服务，支持图片内容分析、OCR 文字提取、图片比较以及根据描述生成图片。

  • by Neige-Neige
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 Neige-Neige/Hitomi_mcp

使用说明

Hitomi

License: AGPL-3.0-or-later · Copyright (c) 2026 Neige-Neige If you distribute this software or offer it as a network service (modified or not), you must make the complete corresponding source available under AGPL-3.0-or-later. For closed-source commercial licensing, please open an issue. 本ソフトウェアを配布する、またはネットワークサービスとして提供する場合（改変の有無を問わず）、 対応するソースコード全体を AGPL-3.0-or-later で公開する必要があります。 分发本软件或将其作为网络服务提供时（无论是否修改），必须以 AGPL-3.0-or-later 公开完整的对应源代码。

通过 MCP (Model Context Protocol) 为 DeepSeek 等纯文本模型添加 看图 和 画图 能力。

功能

  • 看图 (Vision)：分析图片内容、提取文字 (OCR)、比较图片
  • 画图 (Image Generation)：根据文字描述生成图片、根据参考图生成新场景

工作原理

┌─────────────┐     ┌─────────────┐     ┌─────────────────┐
│   Kelivo    │────▶│  DeepSeek   │────▶│  MCP Server     │
│  (Client)   │     │   V3 API    │     │ (Vision + Gen)  │
└─────────────┘     └─────────────┘     └────────┬────────┘
                                                 │
                              ┌──────────────────┼──────────────────┐
                              ▼                                     ▼
                     ┌─────────────────┐                   ┌─────────────────┐
                     │  Vision Model   │                   │  Image Model    │
                     │  (Qwen-VL-Max)  │                   │  (Gemini 3 Pro) │
                     └─────────────────┘                   └─────────────────┘

支持的后端

Vision (看图)

提供商 模型 说明
通义千问 qwen-vl-max 阿里云通义千问视觉模型 (推荐)
OpenAI gpt-4o OpenAI 视觉模型
Ollama llava 本地运行的开源视觉模型

Image Generation (画图)

提供商 模型 说明
Gemini gemini-3-pro-image-preview Google Gemini 图片生成 (推荐)

部署

Railway 云端部署（推荐）

  1. Fork 仓库到你的 GitHub

  2. 在 Railway 创建项目

    • 登录 Railway
    • 点击 "New Project" → "Deploy from GitHub repo"
    • 选择你的仓库

  3. 配置环境变量 在 Railway 的 Variables 中添加：

    # Vision (看图) - 使用通义千问
VISION_PROVIDER=qwen
QWEN_API_KEY=your_dashscope_api_key

# Image Generation (画图) - 使用 Gemini
GEMINI_API_KEY=your_google_api_key

  4. 部署完成后获取 URL Railway 会给你一个类似 https://your-app.up.railway.app 的 URL

  5. 在 Kelivo 中配置 MCP

    {
  "mcpServers": {
    "vision": {
      "transport": "sse",
      "url": "https://your-app.up.railway.app/sse"
    }
  }
}

本地运行

# 安装依赖
pip install -e .

# 配置环境变量
cp .env.example .env
# 编辑 .env 填入 API Key

# 运行
python -m hitomi.server

环境变量

# ===== Vision 配置 =====
VISION_PROVIDER=qwen              # 可选: qwen, openai, ollama
QWEN_API_KEY=your_key             # 通义千问 API Key

# ===== Image Generation 配置 =====
GEMINI_API_KEY=your_key           # Google Gemini API Key

# ===== 服务器配置 =====
HOST=0.0.0.0
PORT=8000

提供的工具

1. get_upload_url - 获取上传页面

获取图片上传页面的网址，用户可以上传图片获取链接。

2. analyze_image - 图片分析

分析图片内容，返回详细描述。

参数：

  • image (必需): 图片 URL 或 base64 数据
  • question (可选): 关于图片的具体问题
  • detail (可选): 分析精度 - low/high/auto

3. extract_text - 文字提取 (OCR)

从图片中提取文字内容。

参数：

  • image (必需): 图片 URL 或 base64 数据
  • language (可选): 预期语言 - zh/en/auto

4. compare_images - 图片对比

比较两张图片的异同。

参数：

  • image1 (必需): 第一张图片
  • image2 (必需): 第二张图片
  • focus (可选): 比较重点 - differences/similarities/all

5. generate_image - 生成图片

根据文字描述生成图片。

参数：

  • prompt (必需): 图片描述
  • aspect_ratio (可选): 宽高比 - 1:1/16:9/9:16/4:3/3:4

6. transform_image - 场景转换

分析参考图片，然后根据描述生成新场景。适合"用这个人设画 xxx 场景"这类需求。

参数：

  • reference_image (必需): 参考图片 URL 或 base64
  • scene_prompt (必需): 新场景描述
  • style_hints (可选): 风格提示
  • focus_on (可选): 要关注的特征

示例对话

用户: 帮我看看这张图片 [发送图片链接]
AI: [调用 analyze_image] 这张图片显示的是...

用户: 画一只在月球上喝咖啡的猫
AI: [调用 generate_image] 🎨 图片已生成！[显示图片]

用户: 用这张人设图画一个在海边玩耍的场景 [发送人设图链接]
AI: [调用 transform_image] 🎨 新场景已生成！[显示图片]

API Key 获取

License

Copyright (c) 2026 Neige-Neige

This project is licensed under the GNU Affero General Public License, version 3 or (at your option) any later version (AGPL-3.0-or-later). See LICENSE for the full text.

What triggers the copyleft

AGPL is triggered by distribution and by offering the software as a network service — not by "commercial use" as such:

  • Running a copy privately, without distributing it and without offering it to others over a network → no obligation, even commercially
  • Distributing the software, modified or not → you must provide the complete corresponding source under AGPL-3.0-or-later
  • Offering it as a network service, modified or not → you must make the complete corresponding source available to its users, even though you never hand out a copy of the software itself. This is the clause that distinguishes AGPL from plain GPL.
  • In all of the above you must retain this copyright notice and license

Commercial licensing

If you want to distribute this project, or run it as a service, without releasing your source code, AGPL-3.0-or-later does not permit that. A separate commercial license is available — please open an issue to discuss.

中文

本项目采用 AGPL-3.0-or-later 授权。

触发 copyleft 的是"分发"和"以网络服务提供"，而不是"商业使用"本身：

  • 私下运行（不分发、不对外提供网络服务）→ 无义务，即使是商业环境
  • 分发本软件（无论是否修改）→ 必须以 AGPL-3.0-or-later 提供完整的对应源代码
  • 作为网络服务提供（无论是否修改）→ 必须向使用者公开完整的对应源代码， 即使你从未分发过软件本体。这是 AGPL 区别于普通 GPL 的核心条款
  • 以上任何情形都必须保留原始的版权声明与授权条款

如需在不公开源代码的前提下分发或提供服务，请开 issue 联系作者获取商业授权。

日本語

本プロジェクトは AGPL-3.0-or-later ライセンスで公開されています。

copyleft が発動するのは「配布」と「ネットワークサービスとしての提供」であり、 「商用利用」そのものではありません。ソースコードを公開せずに配布・サービス提供を ご希望の場合は、issue にて商用ライセンスをご相談ください。

相关 MCP