🎨 Lanhu MCP Server | 蓝湖MCP服务器
让所有 AI 助手共享团队知识，打破 AI IDE 孤岛
lanhumcp | 蓝湖mcp | lanhu-mcp | 蓝湖AI助手 | Lanhu AI Integration
English | 简体中文
🌟 项目亮点
一个功能强大的 Model Context Protocol (MCP) 服务器，专为 AI 编程时代设计，完美支持蓝湖（Lanhu）设计协作平台。
🔥 核心创新：
- 📋 智能需求分析：自动提取 Axure 原型，三种分析模式（开发/测试/探索），需求分析准确率>95%
- 💬 团队留言板：打破 AI IDE 孤岛，让所有 AI 助手共享知识库和上下文
- 🎨 UI设计支持：自动下载设计稿，智能提取切图，语义化命名
- ⚡ 性能优化：基于版本号的智能缓存，增量更新，并发处理
🎯 适用场景：
- ✅ Cursor + 蓝湖：让 Cursor AI 直接读取蓝湖需求文档和设计稿
- ✅ Windsurf + 蓝湖：Windsurf Cascade AI 直接读取蓝湖需求文档和设计稿
- ✅ Claude Code + 蓝湖：Claude AI 直接读取蓝湖需求文档和设计稿
- ✅ Trae + 蓝湖：Trae AI 直接读取蓝湖需求文档和设计稿
- ✅ 通义灵码 + 蓝湖：通义灵码 AI 直接读取蓝湖需求文档和设计稿
- ✅ Cline + 蓝湖：Cline AI 直接读取蓝湖需求文档和设计稿
- ✅ 任何支持 MCP 协议的 AI 开发工具
🎯 解决痛点：
- ❌ 旧世界：每个开发者的 AI 独立工作，重复分析需求，无法共享经验
- ✅ 新世界：所有 AI 连接同一知识中枢，需求分析一次、全员复用，踩坑经验永久保存
📑 目录
✨ 核心特性
📋 需求文档分析
- 智能文档提取：自动下载和解析 Axure 原型的所有页面、资源和交互
- 三种分析模式：
- 🔧 开发视角：详细字段规则、业务逻辑、全局流程图
- 🧪 测试视角：测试场景、用例、边界值、校验规则
- 🚀 快速探索：核心功能概览、模块依赖、评审要点
- 四阶段工作流：全局扫描 → 分组分析 → 反向验证 → 生成交付物
- 零遗漏保证：基于 TODO 驱动的系统化分析流程
🎨 UI设计支持
- 设计稿查看：批量下载和展示 UI 设计图
- 切图提取：自动识别和导出设计切图、图标资源
- 智能命名：基于图层路径自动生成语义化文件名
💬 团队协作留言板 - 打破 AI IDE 孤岛
🌟 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：
- 每个开发者的 AI IDE（Cursor、Windsurf）是独立的，无法共享上下文
- A 开发遇到的坑，B 开发的 AI 不知道
- 需求分析结果无法传递给测试同学的 AI
- 团队知识碎片化在各个聊天窗口，无法沉淀
创新解决方案：
- 🔗 统一知识库：所有 AI 助手连接同一个 MCP 服务器，共享留言板数据
- 🧠 上下文传递：开发 AI 分析的需求，测试 AI 可以直接查询使用
- 💡 知识沉淀：坑点、经验、最佳实践以"知识库"类型永久保存
- 📋 任务协作：通过"任务"类型留言，让 AI 帮忙查询代码、数据库
- 📨 @提醒机制：支持飞书通知，打通 AI 协作与人工沟通
- 👥 协作追踪：自动记录谁的 AI 访问过哪些文档，团队透明
⚡ 性能优化
- 智能缓存：基于文档版本号的永久缓存机制
- 增量更新：只下载变更的资源
- 并发处理：支持批量页面截图和资源下载
🚀 快速开始
⚠️ 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2025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！
方式一：让 AI 帮你安装（推荐）
直接在 Cursor 中对 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
方式二：手动安装
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. 配置环境（会引导你输入 Cookie）
bash setup-env.sh # Linux/Mac
# 或
setup-env.bat # Windows
# 3. 启动服务
docker-compose up -d
💡
setup-env.sh会交互式引导你获取并配置蓝湖 Cookie，自动生成.env文件
📖 详细文档：Docker 部署指南
2.2 源码运行
前置要求：Python 3.10+
# 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
或者手动安装（不推荐）
# 安装依赖
pip install -r requirements.txt
playwright install chromium
# 手动配置（见下方"配置"部分）
配置（源码运行需要）
- 设置蓝湖 Cookie（必需）
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
- 配置飞书机器人（可选）
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"
- 配置用户信息映射（可选）
更新 FEISHU_USER_ID_MAP 字典以支持 @提醒功能。
- 其他环境变量（可选）
# 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
运行服务
源码运行：
python lanhu_mcp_server.py
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
连接到 AI 客户端
在支持 MCP 的 AI 客户端（如 Claude Code、Cursor、Windsurf）中配置：
Cursor 配置示例：
{
"mcpServers": {
"lanhu": {
"url": "http://localhost:8000/mcp?role=后端&name=张三"
}
}
}
📌 URL 参数说明：
role: 用户角色（后端/前端/测试/产品等）name: 用户姓名（用于协作追踪和 @提醒）
🎯 团队留言板：突破 AI 协作的最后一公里
为什么需要团队留言板？
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！
团队留言板如何解决？
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
核心使用场景
场景 1：需求分析结果共享
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！
场景 2：开发踩坑记录
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！
场景 3：跨角色任务协作
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
场景 4：紧急问题广播
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：2025-01-15 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
消息类型设计
| 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 |
安全机制
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
搜索和过滤
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'
)
协作者追踪
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": "2025-01-10 09:00:00",
"last_seen": "2025-01-15 16:30:00"
},
{
"name": "小李",
"role": "测试",
"first_seen": "2025-01-12 10:00:00",
"last_seen": "2025-01-15 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
飞书通知集成
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 │
└──────────────────────────────────┘
技术优势
- 零学习成本：AI 自动处理，开发者只需自然对话
- 实时同步：所有 AI 助手连接同一数据源
- 全局搜索：跨项目查询知识库
- 版本关联：留言自动关联文档版本号
- 元数据完整：自动记录项目、文档、作者等10个标准字段
- 智能过滤：支持正则搜索、类型筛选、数量限制（防止 token 溢出）
📖 使用指南
需求文档分析工作流
1. 获取页面列表
请帮我看看这个需求文档：
https://lanhuapp.com/web/#/item/project/product?tid=xxx&pid=xxx&docId=xxx
2. AI 自动执行四阶段分析
- ✅ STAGE 1: 全局文本扫描，建立整体认知
- ✅ STAGE 2: 分组详细分析（根据选择的模式）
- ✅ STAGE 3: 反向验证，确保零遗漏
- ✅ STAGE 4: 生成交付文档（需求文档/测试计划/评审PPT）
3. 获取交付物
- 开发视角：详细需求文档 + 全局业务流程图
- 测试视角：测试计划 + 测试用例清单 + 字段校验表
- 快速探索：评审文档 + 模块依赖图 + 讨论要点
UI 设计稿查看
请帮我看看这个设计稿：
https://lanhuapp.com/web/#/item/project/stage?tid=xxx&pid=xxx
切图下载
帮我下载"首页设计"的所有切图
AI 会自动：
- 检测项目类型（React/Vue/Flutter 等）
- 选择合适的输出目录
- 生成语义化文件名
- 批量下载切图
团队留言
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
🛠️ 可用工具列表
| 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_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 | 提取需求细节 |
lanhu_get_designs | 获取UI设计图列表 | 查看设计稿前必调用 |
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 | 查看协作者 | 查看团队成员 |
🏗️ 系统架构
┌─────────────────────────────────────────────────────────────────┐
│ 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 │ │
│ └──────────────┘ └──────────────┘ └──────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
数据流图
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
📁 项目结构
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
🔧 高级配置
自定义角色映射
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...
]
缓存控制
缓存目录由环境变量 DATA_DIR 控制：
export DATA_DIR="/path/to/cache"
飞书通知定制
在 send_feishu_notification() 函数中定制消息格式和样式。
🤖 AI 助手集成
本项目专为 AI 助手设计，内置"二狗"（ErGou）助手人格：
- 🎯 专业分析：自动识别文档类型和最佳分析模式
- 📋 TODO驱动：基于任务清单的系统化工作流
- 🗣️ 中文交互：专业的中文对话体验
- ✨ 自动化服务：无需手动操作，AI 自动完成全流程
- 🔍 细致严谨：专注于准确性和质量，提供高质量技术分析
- 📝 代码质量：遵循严格的代码标准，避免AI生成代码的常见问题
📊 性能指标
- ⚡ 页面截图：~2秒/页（带缓存）
- 💾 资源下载：支持断点续传和增量更新
- 🔄 缓存命中：基于版本号的永久缓存
- 📦 批量处理：支持并发下载和分析
🐛 常见问题
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 Playwright 浏览器：
playwright install chromium
Q: 飞书通知发送失败？
A: 检查：
- Webhook URL 是否正确
- 飞书机器人是否已添加到群组
- 用户 ID 映射是否正确配置
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。
🔒 安全说明
- ⚠️ Cookie 安全：请勿将含有 Cookie 的配置文件提交到公开仓库
- 🔐 访问控制：建议在内网环境部署或配置防火墙规则
- 📝 数据隐私：留言数据存储在本地，请妥善保管
🤝 贡献指南
欢迎贡献代码！请遵循以下步骤：
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 开启 Pull Request
开发指南
# 安装开发依赖
pip install -r requirements.txt
# 运行测试
python -m pytest tests/
# 代码格式化
black lanhu_mcp_server.py
📄 许可证
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。
🙏 致谢
开源项目
- FastMCP - 优秀的 MCP 服务器框架
- Playwright - 可靠的浏览器自动化工具
- BeautifulSoup - HTML 解析利器
- HTTPx - 现代化的异步 HTTP 客户端
服务平台
贡献者
感谢所有为这个项目做出贡献的开发者！
特别感谢
- 所有提交 Issue 和 PR 的贡献者
- 所有在生产环境使用并提供反馈的团队
- 所有帮助改进文档的朋友
📮 联系方式
- 提交 Issue: GitHub Issues
- 邮件: dsphper@gmail.com
🗺️ 路线图
- 支持更多设计平台（Figma、Sketch）
- Web 管理界面
- 更多分析维度（前后端工时估算、技术栈推荐）
- 支持企业级权限管理
- API 文档自动生成
- 国际化支持
如果这个项目对你有帮助，请给它一个 ⭐️
Made with ❤️ by the Lanhu MCP Team
Star History
🏷️ 标签 Tags
lanhumcp 蓝湖mcp lanhu-mcp 蓝湖AI lanhu-ai mcp-server cursor-plugin windsurf-integration claude-integration axure-automation requirement-analysis design-collaboration ai-development-tools model-context-protocol 蓝湖插件 蓝湖API AI需求分析 设计协作 前端开发工具 后端开发工具
🔍 常见搜索问题 FAQ Search
- 如何让 Cursor AI 读取蓝湖需求文档？ → 使用 Lanhu MCP Server
- Windsurf 怎么连接蓝湖？ → 配置本 MCP 服务器
- Claude Code 如何分析 Axure 原型？ → 通过 Lanhu MCP 集成
- 蓝湖有 API 吗？ → 本项目提供 MCP 协议接口
- 如何自动提取蓝湖切图？ → 使用本项目的切图工具
- AI 如何自动生成测试用例？ → 使用测试分析模式
- How to integrate Lanhu with Cursor? → Install Lanhu MCP Server
- Lanhu API for AI tools? → Use this MCP server
- Automated Axure analysis? → Use this project
🔍 SEO 关键词索引
中文关键词: 蓝湖mcp | lanhumcp | 蓝湖AI | 蓝湖插件 | 蓝湖API | 蓝湖Cursor | 蓝湖Windsurf | 蓝湖Claude | 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 cursor | lanhu windsurf | lanhu claude | lanhu api | lanhu integration | 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
⚠️ 免责声明
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（Lanhu）官方产品。
重要说明：
- 本项目与蓝湖公司无任何官方关联或合作关系
- 本项目通过公开的网页接口与蓝湖平台交互，不涉及任何未授权访问
- 使用本项目需要您拥有合法的蓝湖账号和访问权限
- 请遵守蓝湖平台的服务条款和使用政策
- 本项目仅供学习和研究使用，使用者需自行承担使用风险
- 开发者不对因使用本项目导致的任何数据丢失、账号问题或其他损失承担责任
数据和隐私：
- 本项目在本地处理和缓存数据，不会向第三方服务器传输您的数据
- 您的蓝湖 Cookie 和项目数据仅存储在您的本地环境中
- 请妥善保管您的凭证信息，不要分享给他人
开源协议：
- 本项目采用 MIT 开源协议，按"原样"提供，不提供任何形式的保证
- 详见 LICENSE 文件
如有任何疑问或建议，欢迎通过 GitHub Issues 与我们交流。