基于 MCP 接口的 AI 图像生成服务器

该项目提供一个集成 Stable Diffusion 图像生成功能的 Model Context Protocol (MCP) 服务，允许 AI 代理请求并接收生成的图像。
本项目基于 Block 的 Goose 自定义扩展教程 中提供的示例。

环境搭建

1. 创建一个虚拟环境，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 .
   

服务运行

MCP 服务器包含集成的图像生成服务。你可以通过以下命令启动两者：

标准模式：

source .venv/bin/activate  # 激活你的虚拟环境
export IMAGE_GEN_DIR=/absolute/path/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=/absolute/path/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=/absolute/path/to/folder # 设置生成图像的目标文件夹
python -m src.image_gen_mcp.server # 启动 MCP 服务器

注意事项：

• 在开发模式下，MCP 服务器运行在 src/image_gen_mcp/server.py 中。
• 图像生成服务和 MCP 服务器在同一进程中运行。

服务停止

使用 Ctrl+C 停止两个服务，因为它们现在在同一个进程中运行。

其他说明

集成到 Goose： 将项目可执行文件路径添加到 uv run 中：

uv run /full/path/to/your/project/.venv/bin/image-gen-mcp

本地运行建议：

• 使用 OpenAI GPT-4o 时效果最佳。
• 如果使用 Ollama，推荐尝试 mistral-small3.1 模型。
• 即使在高配 MacBook Pro 上，mistral-small3.1 的响应速度也比 OpenAI GPT-4o 慢得多。

服务架构：

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

   • 使用 Stable Diffusion 进行实际图像生成。
   • 提供简单的 HTTP API 用于图像生成。
   • 默认运行在 5000 端口（可自定义）。
   • 在与 MCP 服务器相同的进程内以单独线程运行。

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 和元数据的规范格式化图像对象。