AI Image Generation Server with MCP Interface

具有 MCP 接口的 AI 图像生成服务

本项目提供了一个集成 Stable Diffusion 图像生成功能的 Model Context Protocol（MCP）服务，使 AI Agent 能够请求并接收生成的图像。
本项目基于 Block 的 Goose 自定义扩展教程中的示例。

设置

1. 创建虚拟环境，必须使用 .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 服务包含集成的图像生成服务。你可以使用一条命令启动两者：

标准模式：

source .venv/bin/activate  # Activate your virtualenv
export IMAGE_GEN_DIR=/absolute/path/to/folder # Set generated images target folder
image-gen-mcp

使用 FastMCP Inspector 的开发模式： 打开两个终端：

终端 1

source .venv/bin/activate  # Activate your virtualenv
export IMAGE_GEN_DIR=/absolute/path/to/folder # Set generated images target folder
image-gen-mcp # Start image generation service (and a MCP server we won't use)

终端 2

source .venv/bin/activate  # Activate your virtualenv
export IMAGE_GEN_DIR=/absolute/path/to/folder # Set generated images target folder
mcp dev src/image_gen_mcp/server.py # Start MCP server with Inspector

注意：只有在开发模式下，才必须单独启动图像生成服务。

这将启动带有 FastMCP Inspector 的 MCP 服务，它提供：

1. 用于测试和调试的 Web 界面：http://127.0.0.1:6274
2. 用于转发 MCP 请求的代理服务，端口为 6277

使用 FastMCP Inspector：

1. 在浏览器中打开 http://127.0.0.1:6274
2. 使用交互界面来：
   • 浏览可用工具及其文档
   • 使用你自己的提示词测试 generate_image 工具
   • 查看请求/响应历史记录
   • 调试 MCP 服务的任何问题

图像生成服务的自定义端口：

source .venv/bin/activate  # Activate your virtualenv
export IMAGE_GEN_DIR=/absolute/path/to/folder # Set generated images target folder
image-gen-mcp --port 5001

直接访问 API

向图像生成服务发送 POST 请求以生成图像：

curl -X POST http://localhost:5000/generate \
  -H "Content-Type: application/json" \
  -d '{"prompt": "A futuristic cityscape at sunset"}'

响应将包含用于访问生成图像的 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": "A futuristic cityscape at sunset",
  "alt_text": "AI-generated image of: A futuristic cityscape at sunset"
}

你可以通过返回的 image_url 直接访问生成的图像。

文件组织结构

• src/image_gen_mcp/ - 包含实现代码的包目录
  • server.py - MCP 服务实现
  • generator.py - 图像生成服务
  • __init__.py - 包初始化和 CLI 入口点
  • __main__.py - 支持将包作为模块运行

与 Goose 集成

要在 Goose 中将此 MCP 服务添加为扩展：

1. 前往 Settings > Extensions > Add。
2. 将 Type 设为 StandardIO。
3. 设置 ID "image_generator"、名称 "Image Generator"，并填写适当的描述。
4. 在 Command 字段中，提供可执行文件的绝对路径：

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

5. 添加环境变量 IMAGE_GEN_DIR，并选择用于存储生成图像的文件夹

集成后，你可以在 Goose 中使用图像生成工具，让它根据指定的提示词生成图像。

使用 OpenAI GPT-4o 时可立即运行。
也可以通过 Ollama 完全在本地运行。尝试了几个模型后，唯一可用的是 mistral-small3.1。
即使使用高端 MacBookPro，mistral-small3.1 的响应速度也远慢于 OpenAI GPT-4o。

服务架构

两个服务集成在同一个应用程序中：

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 图像生成 API
   • 返回图像 URL、尺寸和元数据
   • 包含用于提供生成图像的直接端点
   • 默认运行在端口 5000（可通过 --port 自定义）
   • 与 MCP 服务在同一进程中通过独立线程运行

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

   • 为 AI Agent 提供标准化的 MCP 接口
   • 将请求转发到集成的图像生成服务
   • 返回格式正确的 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。