基于MCP接口的AI图像生成服务器

该项目提供了一个集成稳定扩散（Stable Diffusion）图像生成功能的模型上下文协议（MCP）服务器，使AI代理能够请求并接收生成的图像。
本项目基于Block's Goose自定义扩展教程中提供的示例。

安装配置

1. 创建虚拟环境，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 .
   

启动服务

MCP服务器包含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/to/folder # 设置生成图像的目标文件夹
image-gen-mcp

开发模式（带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/to/folder # 设置生成图像的目标文件夹
image-gen-mcp # 启动图像生成服务（和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/to/folder # 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，提供：

1. 一个Web界面 http://127.0.0.1:8000 进行调试
2. 检查和调整图像生成设置

直接API访问

发送请求： 使用curl命令或任何HTTP客户端向服务发送请求，例如：

curl -X POST "http://localhost:5000/api/generate" \
     --data-raw '{"prompt": "一只飞翔的猫头鹰", "negative_prompt": ""}'

接收响应：

{
  "status": "success",
  "message": "生成成功",
  "data": {
    "url": "http://localhost:5000/images/... png",
    "dimensions": "1024x1024"
  }
}

文件组织

项目文件结构如下：

.
├── src/
│   ├── image_gen_mcp/
│   │   ├── generator.py       # 处理图像生成的主逻辑
│   │   └── server.py          # 提供MCP接口的服务器
│   └── requirements.txt      # 项目依赖项
└── README.md                  # 项目文档

与Goose集成

环境变量配置： 在Goose中添加一个环境变量IMAGE_GEN_DIR，指定生成图像存储的位置。

使用方法： 在Goose中，你可以通过请求生成图像并接收包含URL和元数据的MCP对象。
该服务支持本地运行，但建议使用OpenAI GPT-4o以获得更快的响应速度。

服务架构

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

   • 使用稳定扩散模型进行实际图像生成
   • 提供简单的HTTP API接口
   • 返回图像URL、维度和元数据
   • 默认运行在5000端口（可自定义）
   • 作为独立线程运行，与MCP服务器共存

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

   • 提供标准化的MCP接口供AI代理使用
   • 将请求转发到集成的图像生成服务
   • 返回包含URL和元数据的MCP对象

停止服务

按下Ctrl+C即可停止两者服务，因为它们现在运行在同一进程中。