文章目录

引子：修图师的困境

一个资深修图师每天大概要做的操作：抠图、磨皮、调色、批量导出、对接不同客户的交付格式、把修好的图同步到网盘/图库/项目管理系统……这些动作里，真正"修图"的只占一半，另一半是工具之间来回搬运。

AI 修图（Cutout、Stable Diffusion、通义万相等）把"修"这件事变得简单了，但"工作流"反而更碎：你要调模型、调参数、处理素材、接 API、写脚本、对格式……每个环节都是一座孤岛。

MCP（Model Context Protocol） 就是来打通这些孤岛的。它像给 AI 修图师装上一个"万能插头"——任何支持 MCP 的客户端（Claude、Cursor、自研应用）都能通过统一协议，直接调用你本地的修图工具、滤镜库、素材库、存储服务。

本文用大量可运行代码，讲清楚这套东西怎么落地。

一、MCP 到底是个啥？

MCP 是 Anthropic 提出的开放协议，核心思想一句话：

让 AI 应用和外部工具用一套标准协议对话，而不是每个工具都自己发明一套对接方式。

类比：USB-C。以前每个设备接口都不一样，现在统一了，一个口通吃。

在 MCP 里，有几个关键角色：

角色 作用 类比
MCP Host 发起请求的 AI 应用（Claude Desktop / 你的服务） 电脑主机
MCP Server 暴露工具给 Host 的程序（比如"修图服务"） USB 设备
Tool Server 暴露的具体能力（remove_bg、enhance…） 设备功能

于是，一个 AI 修图工作流的架构变成：

用户 ──> AI 助手 (Host)
            │  MCP 协议
            ▼
      修图 MCP Server (暴露出：抠图 / 磨皮 / 调色 / 导出 / 存库)

AI 助手不再是"只会聊天"，而是能理解和执行真实修图操作的修图师。

二、最小可跑的 MCP 修图 Server

我们用 Python 的 mcp SDK + FastMCP 快速搭一个。假设你本地已经装好了 rembg（抠图）和 Pillow（图像处理）。

# photo_mcp_server.py
import io
from mcp.server.fastmcp import FastMCP
from PIL import Image, ImageFilter

mcp = FastMCP("PhotoEditor")

# 工具1：抠图（换白底/透明底）
@mcp.tool()
def remove_background(image_bytes: bytes, transparent: bool = True) -> bytes:
    """Remove background from an image. Returns processed image bytes."""
    from rembg import remove  # 懒加载，避免启动慢
    img = Image.open(io.BytesIO(image_bytes))
    out = remove(img)
    if not transparent:
        # 换成白底
        background = Image.new("RGB", out.size, (255, 255, 255))
        background.paste(out, mask=out.split()[-1])
        out = background
    buf = io.BytesIO()
    out.convert("RGB").save(buf, format="PNG")
    return buf.getvalue()

# 工具2：一键调色（提亮 + 增强对比）
@mcp.tool()
def auto_enhance(image_bytes: bytes, brightness: float = 1.1, contrast: float = 1.2) -> bytes:
    """Auto enhance brightness and contrast."""
    img = Image.open(io.BytesIO(image_bytes))
    from PIL import ImageEnhance
    img = ImageEnhance.Brightness(img).enhance(brightness)
    img = ImageEnhance.Contrast(img).enhance(contrast)
    buf = io.BytesIO()
    img.convert("RGB").save(buf, format="JPEG", quality=92)
    return buf.getvalue()

# 工具3：磨皮（高斯模糊 + 混合，简化版）
@mcp.tool()
def smooth_skin(image_bytes: bytes, radius: float = 5.0) -> bytes:
    """Simplified skin smoothing via surface blur."""
    img = Image.open(io.BytesIO(image_bytes)).convert("RGB")
    blurred = img.filter(ImageFilter.GaussianBlur(radius))
    out = Image.blend(img, blurred, alpha=0.4)  # 半透明叠加
    buf = io.BytesIO()
    out.save(buf, format="JPEG", quality=92)
    return buf.getvalue()

if __name__ == "__main__":
    mcp.run(transport="stdio")  # 标准输入输出传输

跑起来：

pip install mcp rembg pillow
python photo_mcp_server.py

等等——stdio 模式是给 Claude Desktop 这类本机客户端用的。如果你要对接自己的 Web 服务，用 HTTP/SSE 传输：

# 改一行即可
if __name__ == "__main__":
    mcp.run(transport="sse", host="127.0.0.1", port=8000)

三、配置 Host：让 Claude Desktop 认识你的修图师

在 claude_desktop_config.json 里注册你的 server：

{
  "mcpServers": {
    "photo-editor": {
      "command": "python",
      "args": ["/path/to/photo_mcp_server.py"],
      "env": {
        "PYTHONPATH": "/path/to/venv/lib/python3.11/site-packages"
      }
    }
  }
}

重启后，你直接对 Claude 说：

“把这张图的白底去掉，然后提亮一点、磨个皮，最后导出成 PNG。”

Claude 会自己决定调用哪个工具、传什么参数，一步步执行。这就是"AI 修图师"的本体——它不再只是建议你用什么软件，而是亲手把图修好。

四、不依赖重型客户端：自己写 MCP Client

如果你不想用现成的 Claude Desktop，用 Python SDK 自己当 Host 也只要几十行：

# photo_mcp_client.py
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

async def main():
    server = StdioServerParameters(
        command="python",
        args=["photo_mcp_server.py"]
    )

    async with stdio_client(server) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()

            # 列出可用的修图工具
            tools = await session.list_tools()
            print("可用工具:", [t.name for t in tools.tools])
            # => ['remove_background', 'auto_enhance', 'smooth_skin']

            # 读取一张图片
            with open("portrait.jpg", "rb") as f:
                img_bytes = f.read()

            # 调用抠图工具
            result = await session.call_tool(
                "remove_background",
                {"image_bytes": img_bytes, "transparent": True}
            )

            out_bytes = result.content[0].data  # 拿到 PNG 字节
            with open("portrait_cutout.png", "wb") as f:
                f.write(out_bytes)
            print("已生成 portrait_cutout.png")

asyncio.run(main())

五、进阶：把"AI 生成"也接进来（Stable Diffusion 工具）

修图不只是"改图"，还有"生成"。给 server 加一个文生图/图生图工具，用 diffusers：

# 追加到 photo_mcp_server.py
@mcp.tool()
def txt2img(prompt: str, negative: str = "", steps: int = 25) -> bytes:
    """Generate an image from a text prompt."""
    from diffusers import StableDiffusionPipeline
    import torch

    pipe = StableDiffusionPipeline.from_pretrained(
        "runwayml/stable-diffusion-v1-5",
        torch_dtype=torch.float16
    ).to("cuda")

    img = pipe(
        prompt, negative_prompt=negative,
        num_inference_steps=steps
    ).images[0]

    buf = io.BytesIO()
    img.save(buf, format="PNG")
    return buf.getvalue()

现在你的 AI 修图师不仅能"去背景、调色"，还能"凭空画出背景再合成"。整条链路都在同一个 MCP 协议下，客户端无需关心是本地模型还是云端 API。

六、把 Workflow 串起来：多工具组合

真正的价值在于组合。写一个编排函数，让一次指令完成整套流程：

@mcp.tool()
def retouch_combo(image_bytes: bytes) -> bytes:
    """T-shirt photo workflow: cutout -> white bg -> enhance."""
    cut = remove_background(image_bytes, transparent=True)
    enhanced = auto_enhance(cut, brightness=1.1, contrast=1.25)
    return enhanced

客户端侧，AI 助手也能自主编排。下面是用官方 SDK 让模型"自己决定调用顺序"的示意（以 Claude 工具调用为例）：

// 用 @modelcontextprotocol/sdk
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";

const transport = new StdioClientTransport({
  command: "python",
  args: ["photo_mcp_server.py"],
});
const client = new Client({ name: "my-host", version: "1.0.0" });
await client.connect(transport);

// 拿到工具清单，交给 LLM 做 function-calling
const { tools } = await client.listTools();
// tools = [remove_background, auto_enhance, smooth_skin, ...]

// 然后你就可以把这些工具定义喂给你任意的 LLM，
// 让模型输出 JSON 调用序列，你逐个执行：
const plan = [
  { name: "remove_background", args: { transparent: false } },
  { name: "auto_enhance", args: { brightness: 1.15, contrast: 1.2 } },
];
for (const step of plan) {
  const res = await client.callTool({ name: step.name, arguments: step.args });
  // 把结果字节保存或继续传递
}

七、生产落地的几个坑

  1. 图片用字节传输有大小限制。 大图建议走"先存文件/对象存储，工具里传路径/URL"，而不是直接传 bytes：

    @mcp.tool()
def remove_background_s3(src_url: str, dest_key: str) -> dict:
    # 从 S3 拉图 → 处理 → 传回 S3 → 返回 URL
    ...

  2. 模型懒加载。 diffusers、rembg 首次加载很慢，别在 import 时加载，放进函数内部（如上例），或用单例缓存。

  3. 并发与重试。 GPU 服务要控制并发，给 @mcp.tool() 加超时与重试封装。

  4. 权限边界。 修图工具会写文件和网络，MCP Host 要严格限制 server 能碰的路径/域名，避免 AI 误操作删库跑路。

八、为什么这对"AI 修图师"是转折点

过去，"AI 修图"往往是一个封闭产品的功能：你只能在某个 App 里用它的模型。而 MCP 把修图能力拆成可插拔的工具：

  • 需要抠图 → 插一个抠图 server
  • 需要炼丹背景 → 插一个 SD server
  • 需要批量导出 → 插一个导出 server
  • 需要同步素材库 → 插一个云盘 server

组合即产品。 修图不再是"软件"，而是一套可以被任意 AI 助手调用的能力集。对开发者和设计师来说，这意味着你可以在自己的工具链里，用标准化协议拼出真正的"私人 AI 修图师"。

总结

MCP 给 AI 修图带来的不是某个更牛的模型，而是一套标准化的指挥系统。修图师（AI）第一次能以"原住民"的身份，直接操作你的素材、工具和服务，而不是隔着一层界面对话。

从今天开始，用几十行代码搭一个你自己的修图 MCP Server，然后让 Claude（或你自己写的 Host）当那个修图师——你会发现，"让 AI 帮你修图"这件事，终于可以从"聊"变成"做"了。

《AI修图师手册：人像美化+摄影调色+电商修图+自媒体配图+广告创意》

在这里插入图片描述

全场景AI精修+场景生成+人像美化+摄影调色+电商产品修图+自媒体配图+广告创意，从工具指令到提示词写法，再到广告创意设计，108个实战案例，一分钟快速出片，一人就是一支美工设计团队。

一分钟快速出片 一分钟快速出片 一分钟快速出片

亮点

  1. 全场景覆盖：一本书搞定人像美化、摄影调色、电商修图、自媒体配图、广告创意五大核心场景。
  2. 实战为王：108个实战案例，涵盖路人消除、妆容迁移、风格滤镜、产品包装设计、电影分镜生成等具体操作，学完即用。
  3. 工具落地：深度讲解豆包、即梦AI等主流AI修图工具，手把手教学核心修图技巧，拒绝空谈理论，只教能上手的方法。
  4. 效率至上：践行“一句话修图，一分钟出片”的理念，帮助读者实现“一人就是一支美工团队”的创作效率跃迁。

内容简介

本书以“一句话生成大片” 为核心理念，通过 108 个真实场景案例与海量配套资源，助力读者告别烦琐操作，快速掌握 AI 修图与视觉创作全流程。

全书围绕“技能 + 案例”双主线展开：技能线涵盖 AI 修图工具简介、提示词写作技巧、人像精修、摄影调色、电商设计、自媒体配图、广告创意等内容创作技法，由浅入深构建完整知识体系；案例线覆盖人像、风光、电商、自媒体、广告等 108 个实用场景，学完即用。随书附赠 124 分钟教学视频、
121 组提示词及数百个素材与效果文件，即学即练。

本书适合摄影爱好者、电商运营、自媒体创作者、设计初学者、广告从业者及对 AI 视觉技术感兴趣的读者，也可作为院校与培训机构教材。

作者简介

柏松，笔名木白，长沙市飞龙文化传播有限公司创始人，中国摄影家协会会员、中国人像摄影家协会会员、湖南省摄影家协会会员，擅长数字艺术与新媒体领域的拍摄、制作、剪辑；"龙飞摄影"公众号创始人，关注者超10万。

在这里插入图片描述

《图解MCP：从协议解析、Agent协同到商业实践》

在这里插入图片描述
从入门到企业级的MCP实战宝典：70+张图解掌握MCP核心协议，贯通全栈开发与多领域实战，实现Agent智能协同

从入门到企业级的 M C P 实战宝典 从入门到企业级的MCP实战宝典 从入门到企业级的MCP实战宝典

亮点

  • 破局之钥：读懂MCP核心协议，吃透AI交互底层逻辑。
  • 全栈贯通：从基础架构、协议规范到实战编码，贯通客户端与服务端开发。
  • 多域赋能：精通多传输通信方案，覆盖办公、运维、金融、视觉多领域。
  • 实战指南：覆盖全场景，贯通Agent协同。

内容简介

本书系统讲解MCP的原理、协议设计与商业落地，构建了从“零基础”到“可扩展企业级系统”的完整知识体系。

全书共10章，依次为MCP的基础知识、MCP架构详解、MCP规范、实战体验：第一个MCP程序、多场景MCP服务器实战演练、MCP服务开发实践、MCP与AI Agent、多模型的集成与协同、商业项目：智能编程助手（IDA Pro+VS Code+MCP）和商业项目：基于MCP实现的多智能体协同系统（Agent+Git+tmux+SQLite）。

本书内容兼具理论深度与落地指导性，不仅为AI研究者提供MCP的系统性知识，还为开发者在实际业务中快速构建安全、可扩展、多模型协同的AI系统提供详尽的操作指南，助力读者一步到位地掌握MCP核心技术与商业实战。

作者简介

张学建，哈尔滨工业大学博士，百度智能云研发工程师、百度大模型工程师，在大规模机器学习、深度学习、数据搜索、行业垂直应用、研发管理等领域拥有丰富经验。在企业智能化转型、业务线上化经营领域拥有丰富的大规模搜索架构搭建、个性化推荐架构搭建、机器学习系统架构搭建经验和技术团队管理经验。现从事城市大数据中心的开发和建设工作，将深度学习运用到数字经济领域。

在这里插入图片描述

# 人工智能 # 大数据
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

2026年8月开发者实战指南：ChatGPT Plus / Pro + Codex 如何协同完成需求分析、编码、测试、调试与代码审查

avatar AI编程社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar AI编程社区
cover

AI Agent的应用场景

avatar AI编程社区