🎨 Lanhu MCP Server

🌟 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：

🔥 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），四阶段零遗漏工作流
• 💬 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

🎯 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
• 快速开始
• 团队留言板：突破 AI 协作的最后一公里
• 使用指南
• 可用工具列表
• 系统架构
• 项目结构
• 高级配置
• 性能指标
• 常见问题
• 安全说明
• 贡献指南
• 许可证
• 致谢
• 联系方式
• 路线图

✨ 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

💡 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 3.8+

# 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

# 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）

1. 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

2. 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"

3. 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。

4. 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 Desktop、Cursor）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 Desktop）。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

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

1. 零学习成本：AI 自动处理，开发者只需自然对话
2. 实时同步：所有 AI 助手连接同一数据源
3. 全局搜索：跨项目查询知识库
4. 版本关联：留言自动关联文档版本号
5. 元数据完整：自动记录项目、文档、作者等10个标准字段
6. 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：

1. 检测项目类型（React/Vue/Flutter 等）
2. 选择合适的输出目录
3. 生成语义化文件名
4. 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

🏗️ 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：

• 🎯 智能化分析：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：友好的中文对话体验
• ✨ 主动服务：无需手动操作，AI 自动完成全流程

📊 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

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。

A: 确保系统已安装 Playwright 浏览器：

playwright install chromium

A: 检查：

1. Webhook URL 是否正确
2. 飞书机器人是否已添加到群组
3. 用户 ID 映射是否正确配置

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：

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 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

• 蓝湖 - 提供优质的设计协作平台
• 飞书 - 提供企业协作和机器人通知

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: [email protected]

🗺️ 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

⚠️ 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。