lanhu-mcp 是一个基于 Model Context Protocol 的服务器，将蓝湖上的需求原型和 UI 设计稿接入 Cursor、Claude Code、Windsurf 等 AI 开发工具。它能抓取 Axure 页面文字与注释，按开发、测试、快速探索三种视角组织分析流程；也能下载设计图、提取切图与素材，并返回尺寸、间距、颜色、字体等参数及 HTML+CSS 参考代码。此外提供团队留言板，让不同成员的 AI 共享需求结论和踩坑经验，并用版本号缓存和并发下载减少重复拉取。需配合具备视觉能力的模型使用。
docker compose up -dv1.8.7：本地 stdio 增加 socksio 与可选直连开关；新增免 Docker 本地启动指南。 版本说明 · LOCAL-STDIO · 设计工作流
v1.8.6：需求页支持按文字、稳定块 ID、分块 ID 或坐标精确取局部图；长页分片保持横向完整。 版本说明
🔥 核心创新：
🎯 适用场景：
🎯 解决痛点：
🌟 核心创新：让每个开发者的 AI 助手都能共享团队知识和上下文
问题背景：
创新解决方案：
⚠️ 重要提示：必须使用支持视觉功能的AI模型！
本项目需要AI模型具备图像识别和分析能力，推荐使用以下2026年主流视觉模型：
- 🤖 Claude (Anthropic)
- 🌟 GPT (OpenAI)
- 💎 Gemini (Google)
- 🚀 Kimi (月之暗面)
- 🎯 Qwen (阿里巴巴)
- 🧠 DeepSeek (深度求索)
不支持纯文本模型（如 GPT-3.5、Claude Instant 等）
💡 小白用户？ 直接对 AI 说 "帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"，AI 会引导你完成所有步骤！
直接在对 AI 说：
"帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"
AI 会自动完成：克隆项目 → 安装依赖 → 引导获取 Cookie → 配置并启动服务
📖 参考文档：AI 安装指南 • Cookie 获取教程
2.1 Docker 部署（推荐）
优点：环境隔离、一键部署、易于管理
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 创建配置并填写 Cookie
cp .env.example .env
# 编辑 .env，将 LANHU_COOKIE 改为你自己的 Cookie
# 3. 构建并启动服务
docker compose up -d --build
Windows 用户可用 copy .env.example .env 创建配置文件。旧版 Docker Compose 可将 docker compose 替换为 docker-compose。
已有单文件部署升级： lanhu_mcp_server.py 已内嵌项目自带的 lanhu_design 实现。在依赖已安装的环境中，只替换这一个文件即可获得完整需求文档与设计稿工具；不再需要额外复制 lanhu_design/ 目录。正式安装仍推荐使用完整仓库、wheel 或 Docker，以便同步依赖。
📖 详细文档：Docker 部署指南
2.2 源码运行
前置要求：Python 3.10+。macOS 自带的 Python 3.9 不满足要求，请先运行 python3 --version 确认版本。
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 一键安装（推荐，会引导你配置 Cookie）
bash easy-install.sh # Linux/Mac
# 或
easy-install.bat # Windows
💡
easy-install.sh会自动安装依赖、引导获取 Cookie 并配置环境。国内用户默认优先使用阿里云 PyPI，并自动回退到清华和官方 PyPI；Chromium 使用 npmmirror 的 Chrome for Testing 专用镜像，兼容旧版路径并以 Playwright 官方 CDN 兜底；可通过PIP_INDEX_URL、PLAYWRIGHT_DOWNLOAD_HOST、PLAYWRIGHT_CHROMIUM_DOWNLOAD_HOST覆盖。
或者手动安装（不推荐）
Linux / macOS：
python3 -m venv venv
./venv/bin/python -m pip install -e .
./venv/bin/python -m playwright install chromium
cp .env.example .env
# 编辑 .env，将 LANHU_COOKIE 改为你自己的 Cookie
Windows：
python -m venv venv
venv\Scripts\python.exe -m pip install -e .
venv\Scripts\python.exe -m playwright install chromium
copy .env.example .env
export LANHU_COOKIE="your_lanhu_cookie_here"
💡 获取 Cookie：登录蓝湖网页版，打开浏览器开发者工具，从请求头中复制 Cookie
方式一：环境变量（推荐，支持 Docker）
export FEISHU_WEBHOOK_URL="https://open.feishu.cn/open-apis/bot/v2/hook/your-webhook-url"
方式二：修改代码
在 lanhu_mcp_server.py 中修改：
DEFAULT_FEISHU_WEBHOOK = "https://open.feishu.cn/open-apis/bot/v2/hook/your-webhook-url"
更新 FEISHU_USER_ID_MAP 字典以支持 @提醒功能。
# 服务器配置
export SERVER_HOST="0.0.0.0" # 服务器监听地址
export SERVER_PORT=8000 # 服务器端口
# 数据存储
export DATA_DIR="./data" # 数据存储目录
# 性能调优
export HTTP_TIMEOUT=30 # HTTP请求超时时间（秒）
export VIEWPORT_WIDTH=1920 # 浏览器视口宽度
export VIEWPORT_HEIGHT=1080 # 浏览器视口高度
# 调试选项
export DEBUG="false" # 调试模式（true/false）
📝 完整环境变量说明请参考
config.example.env文件
源码运行：
./venv/bin/lanhu-mcp --transport http # Linux/macOS
venv\Scripts\lanhu-mcp.exe --transport http # Windows
按需启动（stdio，本地 MCP 客户端推荐）：
./run-stdio.sh # Linux/Mac
./run-stdio.bat # Windows
run-stdio.sh 会自动进入项目目录、读取 .env，并以 stdio 方式启动 MCP 服务。适合 Cursor、Claude Code 等支持 command / args 配置的客户端按需拉起服务，无需手动常驻启动 HTTP 服务。
📖 不依赖 Docker 的完整安装与注册步骤：纯本地按需调用指南
Docker 运行：
docker-compose up -d # 启动
docker-compose logs -f # 查看日志
docker-compose down # 停止
服务器将在 http://localhost:8000/mcp 启动
在支持 MCP 的 AI 客户端（如 Claude Code、Cursor、Windsurf）中配置：
Claude Code 配置示例：
{
"mcpServers": {
"lanhu": {
"type": "http",
"url": "http://localhost:8000/mcp?role=Developer&name=YourName"
}
}
}
Cursor / Windsurf 等其他客户端配置示例：
{
"mcpServers": {
"lanhu": {
"url": "http://localhost:8000/mcp?role=Developer&name=YourName"
}
}
}
按需启动配置示例（无需提前启动服务）：
Linux/Mac
{
"mcpServers": {
"lanhu": {
"command": "/bin/bash",
"args": [
"<ABSOLUTE_PATH_TO_LANHU_MCP>/run-stdio.sh"
],
"env": {
"LANHU_USER_NAME": "YourName",
"LANHU_USER_ROLE": "Developer"
}
}
}
}
Windows
{
"mcpServers": {
"lanhu": {
"command": "<ABSOLUTE_PATH_TO_LANHU_MCP>/run-stdio.bat",
"env": {
"LANHU_USER_NAME": "YourName",
"LANHU_USER_ROLE": "Developer"
}
}
}
}
请将 `` 替换为本机 lanhu-mcp 项目的绝对路径；macOS/Linux 下可在项目目录执行 pwd 获取。
📌 URL 参数说明：
role: 用户角色（Developer/Frontend/Backend/Tester/Product 等）name: 用户姓名（用于协作追踪和 @提醒）- ⚠️ 注意：部分 AI 开发工具不支持 URL 中使用中文参数值，建议使用英文
📌 stdio 环境变量说明：
LANHU_USER_ROLE: 用户角色（Developer/Frontend/Backend/Tester/Product 等）LANHU_USER_NAME: 用户姓名（用于协作追踪和 @提醒）LANHU_DISABLE_SYSTEM_PROXY: 设为1时，run-stdio.sh/run-stdio.bat清除继承的代理并设置NO_PROXY=*，避免 httpx 回落系统代理（适用于 IDE 注入 SOCKS 导致失败等场景）；详见 LOCAL-STDIO.md
开启蓝湖的设计稿转代码功能可以显著提升 UI 还原度。如果遇到提示无法转换的问题，需要让 UI 设计师升级蓝湖插件版本后重新上传设计稿。
给我们点个 Star，你将能第一时间从 GitHub 收到所有新版本的发布通知！
1. 获取页面列表
请帮我用mcp看看这个需求文档：
https://lanhuapp.com/web/#/item/project/product?tid=xxx&pid=xxx&docId=xxx
2. AI 自动执行四阶段分析
3. 获取交付物
full 模式遇到长页时会保留原完整截图，并默认附加前 4 张细节分块。若返回信息提示仍有后续分块，再使用 tile_offset 继续读取；tile_limit 每页最多为 12。普通页面和 text_only 模式不增加截图。
请帮我用mcp看看这个设计稿：
https://lanhuapp.com/web/#/item/project/stage?tid=xxx&pid=xxx
分析结果包含设计图预览、详细参数（尺寸/间距/颜色/字体等）以及转换后的 HTML+CSS 代码，便于还原实现。
帮我用mcp下载"首页设计"的所有切图
AI 会自动：
发布留言：
@张三 @李四 这个登录页面的密码校验规则需要确认一下
查看留言：
查看所有 @我的消息
筛选查询：
查看所有关于"测试"的知识库类型留言
| 工具名称 | 功能描述 | 使用场景 |
|---|---|---|
lanhu_resolve_invite_link | 解析邀请链接 | 用户提供分享链接时 |
lanhu_list_product_documents | 获取项目产品文档清单 | 定位原型或需求文档 |
lanhu_get_pages | 获取原型页面列表 | 分析需求文档前必调用 |
lanhu_get_ai_analyze_page_result | 分析原型页面内容，长页返回完整图与横向完整细节分块 | 提取需求细节 |
lanhu_inspect_requirement_region | 按文字、块 ID、分块 ID 或坐标返回局部视觉证据 | 判断“这两个字段”“如下”“红框处”等模糊指代 |
lanhu_get_designs | 获取UI设计图列表 | 查看设计稿前必调用 |
lanhu_get_design_overview | 固定版本，返回设计图与节点索引 | 按稳定ID读取设计 |
lanhu_inspect_design_region | 局部裁图、编号、样式与资源ID | 大模型结合视觉定位元素 |
lanhu_export_design_assets | 下载校验原始素材并提供资源包 | 自动安装到客户端工程 |
lanhu_get_ai_analyze_design_result | 分析UI设计图 | 查看设计稿 |
lanhu_get_design_slices | 获取切图信息 | 下载图标、素材 |
lanhu_say | 发布留言 | 团队协作、@提醒 |
lanhu_say_list | 查看留言列表 | 查询历史消息 |
lanhu_say_detail | 查看留言详情 | 查看完整内容 |
lanhu_say_edit | 编辑留言 | 修改已发布消息 |
lanhu_say_delete | 删除留言 | 移除消息 |
lanhu_get_members | 查看MCP访问记录中的协作者 | 本地协作记录 |
在 AI 编程时代，每个开发者都有自己的 AI 助手（Cursor、Windsurf、Claude Code）。但这带来了一个严重的问题：
🤔 痛点场景：
┌─────────────────────────────────────────────┐
│ 后端小王的 AI： │
│ "我已经分析完登录接口的需求，字段校验规则 │
│ 都很清楚了，开始写代码..." │
└─────────────────────────────────────────────┘
❌ 上下文断层
┌─────────────────────────────────────────────┐
│ 测试小李的 AI： │
│ "什么？登录接口？让我重新看一遍需求文档... │
│ 这些字段规则是什么意思？边界值怎么测？" │
└─────────────────────────────────────────────┘
每个 AI 都在重复工作，无法复用其他 AI 的分析成果！
设计理念：让所有 AI 助手连接同一个"大脑"
┌─────────────────────────────┐
│ Lanhu MCP Server │
│ (统一知识中枢) │
│ │
│ 📊 需求分析结果 │
│ 🐛 开发踩坑记录 │
│ 📋 测试用例模板 │
│ 💡 技术决策文档 │
└──────────┬──────────────────┘
│
┌────────────┼────────────┐
│ │ │
┌────▼───┐ ┌───▼────┐ ┌──▼─────┐
│后端 AI │ │前端 AI │ │测试 AI │
│(小王) │ │(小张) │ │(小李) │
└────────┘ └────────┘ └────────┘
Cursor Windsurf Claude
后端 AI（小王）分析完需求后：
@测试小李 @前端小张 我已经分析完"用户登录"需求，关键信息：
- 手机号必填，11位数字
- 密码6-20位，必须包含字母+数字
- 验证码4位纯数字，5分钟有效
- 错误3次锁定30分钟
[消息类型：knowledge]
测试 AI（小李）查询时：
AI: 查询所有关于"登录"的知识库消息
→ 立即获取小王 AI 的分析结果，无需重新看需求！
后端 AI（小王）遇到坑：
【知识库】Redis连接超时问题已解决
问题：生产环境 Redis 频繁超时
原因：连接池配置不当，maxIdle 设置过小
解决：调整为 maxTotal=20, maxIdle=10
[消息类型：knowledge]
其他开发 AI 遇到相同问题：
AI: 搜索"Redis 超时"相关的知识库
→ 找到解决方案，避免重复踩坑！
产品 AI 发起查询任务：
@后端小王 请帮我查一下数据库中 user 表有多少条测试数据？
[消息类型：task] // ⚠️ 安全限制：只能查询，不能修改
后端 AI（小王）看到通知：
AI: 有人 @我了，查看详情
→ 执行 SELECT COUNT(*) FROM user WHERE status='test'
→ 回复留言：共有 1234 条测试数据
运维 AI 发现生产问题：
🚨 紧急：生产环境支付接口异常，请立即排查！
时间：2026-01-15 14:30
现象：支付成功率从 99% 降至 60%
影响：约 200 笔订单受影响
@所有人
[消息类型：urgent]
→ 自动发送飞书通知给所有人
| 类型 | 用途 | 搜索策略 | 生命周期 |
|---|---|---|---|
| 📢 normal | 普通通知 | 按时间衰减 | 7天后归档 |
| 📋 task | 查询任务（安全限制：只读） | 完成后归档 | 任务生命周期 |
| ❓ question | 需要回答的问题 | 未回答置顶 | 解答后归档 |
| 🚨 urgent | 紧急通知 | 强制推送 | 24小时后降级 |
| 💡 knowledge | 知识库（核心） | 永久可搜索 | 永久保存 |
任务类型（task）的安全限制：
✅ 允许的查询操作：
- 查询代码位置、代码逻辑
- 查询数据库表结构、数据
- 查询测试方法、覆盖率
- 查询 TODO、注释
❌ 禁止的危险操作：
- 修改代码
- 删除文件
- 执行命令
- 提交代码
智能搜索（防止上下文溢出）：
# 场景 1：查询所有测试相关的知识库
lanhu_say_list(
url='all', # 全局搜索
filter_type='knowledge',
search_regex='测试|test|单元测试',
limit=20
)
# 场景 2：查询某个项目的紧急消息
lanhu_say_list(
url='项目URL',
filter_type='urgent',
limit=10
)
# 场景 3：查找未解决的问题
lanhu_say_list(
url='all',
filter_type='question',
search_regex='待解决|pending'
)
自动记录团队成员访问历史：
lanhu_get_members(url='项目URL')
返回结果：
{
"collaborators": [
{
"name": "小王",
"role": "后端",
"first_seen": "2026-01-10 09:00:00",
"last_seen": "2026-01-15 16:30:00"
},
{
"name": "小李",
"role": "测试",
"first_seen": "2026-01-12 10:00:00",
"last_seen": "2026-01-15 14:00:00"
}
]
}
💡 用途：
- 了解哪些同事的 AI 看过这个需求
- 发现潜在的协作伙伴
- 团队透明化
打通 AI 协作与人工沟通：
# AI 自动发送飞书通知（当 @某人时）
lanhu_say(
url='项目URL',
summary='需要你帮忙review代码',
content='登录模块的密码加密逻辑，麻烦看一下',
mentions=['小王', '小张'] # 必须是真实姓名
)
# 飞书群收到：
┌──────────────────────────────────┐
│ 📢 蓝湖协作通知 │
│ │
│ 👤 发布者：小李（测试） │
│ 📨 提醒：@小王 @小张 │
│ 🏷️ 类型：normal │
│ 📁 项目：用户中心改版 │
│ 📄 文档：登录注册模块 │
│ │
│ 📝 内容： │
│ 登录模块的密码加密逻辑，麻烦看一下 │
│ │
│ 🔗 查看需求文档 │
└──────────────────────────────────┘
┌─────────────────────────────────────────────────────────────────┐
│ AI 客户端层 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Cursor │ │ Windsurf │ │ Claude │ │ ... │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
│ │ │ │ │ │
│ └─────────────┴──────────────┴─────────────┘ │
└───────────────────────────┬─────────────────────────────────────┘
│ MCP Protocol (HTTP)
│
┌───────────────────────────▼─────────────────────────────────────┐
│ Lanhu MCP Server │
│ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ FastMCP 服务框架 │ │
│ │ ┌──────────┐ ┌──────────┐ ┌───────────────────┐ │ │
│ │ │ Tool API │ │ Resource │ │ Context Provider │ │ │
│ │ └────┬─────┘ └────┬─────┘ └─────────┬─────────┘ │ │
│ └───────┼─────────────┼──────────────────┼─────────────┘ │
│ │ │ │ │
│ ┌───────▼─────────────▼──────────────────▼─────────────┐ │
│ │ 核心业务逻辑层 │ │
│ │ │ │
│ │ ┌─────────────────┐ ┌──────────────────────────┐ │ │
│ │ │ 需求文档分析 │ │ 团队协作留言板 │ │ │
│ │ │ │ │ │ │ │
│ │ │ • 页面提取 │ │ • 消息存储管理 │ │ │
│ │ │ • 内容分析 │ │ • 类型分类(5种) │ │ │
│ │ │ • 智能缓存 │ │ • @提醒功能 │ │ │
│ │ │ • 三种模式 │ │ • 搜索筛选 │ │ │
│ │ └────────┬────────┘ └──────────┬───────────────┘ │ │
│ │ │ │ │ │
│ │ ┌────────▼──────────┐ ┌───────▼──────────────┐ │ │
│ │ │ UI设计支持 │ │ 协作者追踪 │ │ │
│ │ │ │ │ │ │ │
│ │ │ • 设计图下载 │ │ • 访问记录 │ │ │
│ │ │ • 切图提取 │ │ • 团队透明 │ │ │
│ │ │ • 智能命名 │ │ • 元数据关联 │ │ │
│ │ └───────────────────┘ └──────────────────────┘ │ │
│ └──────────────────────────────────────────────────────┘ │
│ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ 数据存储层 │ │
│ │ ┌─────────────┐ ┌─────────────┐ ┌──────────────┐ │ │
│ │ │ 留言数据 │ │ 资源缓存 │ │ 截图缓存 │ │ │
│ │ │ (JSON) │ │ (Files) │ │ (PNG) │ │ │
│ │ └─────────────┘ └─────────────┘ └──────────────┘ │ │
│ └────────────────────────────────────────────────────────┘ │
└────────────────┬─────────────────────┬────────────────────────┘
│ │
│ │ 飞书通知
│ ▼
│ ┌─────────────────┐
│ │ Feishu Webhook │
│ └─────────────────┘
│
│ HTTP/JSON API
▼
┌─────────────────────────────────────────────────────────────────┐
│ 蓝湖平台 API │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────────────┐ │
│ │ 文档元数据 │ │ Axure资源 │ │ UI设计图&切图 │ │
│ └──────────────┘ └──────────────┘ └──────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
用户请求 → AI客户端 → MCP协议
↓
Tool调用
↓
┌─────────┴─────────┐
│ │
检查缓存 提取元数据
│ │
命中？ 关联版本号
│ │
是/否 记录协作者
│ │
├─是→返回缓存 │
│ │
└─否→调用蓝湖API ←──┘
↓
下载资源
↓
处理转换
↓
保存缓存
↓
返回结果
↓
AI客户端展示
lanhu-mcp-server/
├── lanhu_mcp_server.py # 主服务器文件（3800+ 行）
├── requirements.txt # Python 依赖
├── Dockerfile # Docker 镜像
├── docker-compose.yml # Docker Compose 配置
├── config.example.env # 配置文件示例
├── quickstart.sh # Linux/Mac 快速启动脚本
├── quickstart.bat # Windows 快速启动脚本
├── .gitignore # Git 忽略文件
├── LICENSE # MIT 许可证
├── README.md # 中文文档（本文件）
├── README_EN.md # 英文文档
├── CONTRIBUTING.md # 贡献指南
├── CHANGELOG.md # 更新日志
├── data/ # 数据存储目录（自动创建）
│ ├── messages/ # 留言数据（JSON文件）
│ │ └── {project_id}.json # 每个项目一个文件
│ ├── axure_extract_*/ # Axure 资源缓存
│ │ ├── *.html # 页面HTML
│ │ ├── data/ # Axure数据文件
│ │ ├── resources/ # CSS/JS资源
│ │ ├── images/ # 图片资源
│ │ └── .lanhu_cache.json # 缓存元数据
│ └── lanhu_designs/ # 设计稿缓存
│ └── {project_id}/ # 按项目分类
└── logs/ # 日志文件（自动创建）
└── *.log # 运行日志
在代码中修改 ROLE_MAPPING_RULES 以支持更多角色：
ROLE_MAPPING_RULES = [
(["后端", "backend", "server"], "后端"),
(["前端", "frontend", "web"], "前端"),
# 添加更多规则...
]
缓存目录由环境变量 DATA_DIR 控制。相对路径固定相对于 .env 所在目录；未使用 .env 时固定相对于源码目录，不会随 Cursor、Claude Code 等客户端的启动目录变化。带 versionId 的需求文档在版本和文件完整性匹配时可直接离线命中缓存，不再先等待蓝湖接口。text_only 模式只提取文字和标注，不生成截图或扫描设计样式。长页细节分块使用独立缓存；v1.8.6 的缓存 schema 4 会重建一次分块元数据。分片始终保留内容区完整宽度，仅沿纵向切分，单片默认不高于 960 像素并保留重叠。lanhu_inspect_requirement_region 不运行 OCR：文字唯一命中时直接返回紧凑图和上下文图；重复文字返回候选预览与稳定块 ID；图片内文字可用 tile_id 或页面坐标继续定位。
export DATA_DIR="/path/to/cache"
在 send_feishu_notification() 函数中定制消息格式和样式。
本项目专为 AI 助手设计，内置"二狗"（ErGou）助手人格：
Q: Cookie 过期怎么办？
A: 重新登录蓝湖网页版，获取新的 Cookie 并更新环境变量或配置文件。
Q: 截图失败或显示空白？
A: 确保系统已安装与当前 Playwright 版本匹配的 Chromium：
# Linux / macOS：国内镜像
PLAYWRIGHT_DOWNLOAD_HOST=https://cdn.npmmirror.com/binaries/playwright \
PLAYWRIGHT_CHROMIUM_DOWNLOAD_HOST=https://cdn.npmmirror.com/binaries/chrome-for-testing \
./venv/bin/python -m playwright install chromium
# Windows CMD：国内镜像
set PLAYWRIGHT_DOWNLOAD_HOST=https://cdn.npmmirror.com/binaries/playwright
set PLAYWRIGHT_CHROMIUM_DOWNLOAD_HOST=https://cdn.npmmirror.com/binaries/chrome-for-testing
venv\Scripts\python.exe -m playwright install chromium
Playwright 1.58+ 的 Chromium 使用 Chrome for Testing 路径，因此不能只设置旧的 PLAYWRIGHT_DOWNLOAD_HOST。一键安装脚本会自动配置双源，并兼容旧版 Playwright 和官方 CDN。
Q: 不用 Docker，本地 Python 按需启动（stdio）有哪些注意事项？
A:
bash easy-install.sh 创建 venv 并安装依赖与 Chromium；MCP 客户端配置里的路径指向 run-stdio.sh / run-stdio.bat 的绝对路径，不要移动项目或删除 venv。pip install 若因 cryptography 需要编译 Rust 而失败，请强制使用预编译包：./venv/bin/python -m pip install --only-binary cryptography -e .
.env 后，需要重启会话或在客户端里重连 MCP 才会生效。socksio，httpx 可使用 SOCKS 代理；若 IDE 注入不可用 SOCKS 或需强制直连，可在 MCP env 中设置 LANHU_DISABLE_SYSTEM_PROXY=1（见 LOCAL-STDIO.md）。完整步骤见 LOCAL-STDIO.md。
Q: 飞书通知发送失败？
A: 检查：
Q: 如何清理缓存？
A: 删除 data/ 目录下的对应缓存文件即可。系统会自动重新下载。
欢迎贡献代码！请遵循以下步骤：
git checkout -b feature/AmazingFeature)git commit -m 'Add some AmazingFeature')git push origin feature/AmazingFeature)# 安装开发依赖
python -m pip install -e '.[dev]'
# 运行测试
python -m pytest tests/
# 代码格式化
black lanhu_mcp_server.py
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。
感谢所有为这个项目做出贡献的开发者！
如果这个项目对你有帮助，请给它一个 ⭐️
Made with ❤️ by the Lanhu MCP Team
lanhumcp 蓝湖mcp lanhu-mcp 蓝湖AI 蓝湖skills lanhu-skills cursor-skills agent-skills lanhu-ai mcp-server cursor-plugin windsurf-integration claude-integration openclaw-integration clawbot-integration axure-automation requirement-analysis design-collaboration ai-development-tools model-context-protocol 蓝湖插件 蓝湖API OpenClaw ClawBot AI助手 AI编程 智能协作 AI需求分析 设计协作 前端开发工具 后端开发工具
中文关键词: 蓝湖mcp | lanhumcp | 蓝湖AI | 蓝湖skills | 蓝湖Skill | Cursor Skills 蓝湖 | Agent Skills 蓝湖 | 蓝湖插件 | 蓝湖API | 蓝湖Cursor | 蓝湖Windsurf | 蓝湖Claude | 蓝湖OpenClaw | 蓝湖ClawBot | OpenClaw | ClawBot | OpenClaw集成 | ClawBot集成 | AI助手 | 蓝湖需求文档 | 蓝湖Axure | 蓝湖切图 | 蓝湖设计稿 | AI需求分析 | AI测试用例 | MCP服务器 | 模型上下文协议
English Keywords: lanhu mcp | lanhu-mcp | lanhu ai | lanhu skills | cursor skills lanhu | agent skills lanhu | lanhu cursor | lanhu windsurf | lanhu claude | lanhu api | lanhu integration | lanhu openclaw | lanhu clawbot | openclaw mcp | clawbot mcp | mcp server | model context protocol | axure automation | design collaboration | requirement analysis | ai development tools
适用人群: 产品经理 | 前端开发 | 后端开发 | 测试工程师 | UI设计师 | 使用Cursor的开发者 | 使用Windsurf的开发者 | 使用Claude的开发者 | AI编程爱好者
本项目（Lanhu MCP Server）是一个第三方开源项目，由社区开发者独立开发和维护，并非蓝湖官方产品。
重要说明：
数据和隐私：
开源协议：
如有任何疑问或建议，欢迎通过 GitHub Issues 与我们交流。
内容由编辑整理，部分信息来自 GitHub 与项目官网，版权归原作者所有。发现错误？报告问题