dsphper/lanhu-mcp

解决的问题

Lanhu MCP Server 弥合了 AI 驱动的 IDE（如 Cursor、Windsurf 和 Claude Code）与 Lanhu 设计协作平台之间的鸿沟。它防止了“AI 孤立”现象，即单个 AI 助手缺乏共享上下文，导致开发人员不得不反复分析相同的需求和设计文件。通过作为一个统一的知识中心，它允许团队中的多个 AI 助手共享分析结果、技术决策和设计参数。

工作原理

该项目实现了 Model Context Protocol (MCP)，允许 AI 客户端调用特定工具与 Lanhu 进行交互。它使用基于 Python 的服务器（由 FastMCP 提供支持），通过 API 和 Cookie 连接到 Lanhu。

核心机制包括：

• 需求分析：自动提取 Axure 原型，并通过四阶段工作流（扫描、分析、验证和交付）使用三种模式（开发、测试或探索）进行分析。
• UI 设计集成：下载设计文件，提取精确参数（尺寸、颜色、字体），并将设计模式转换为供 AI 参考的 HTML/CSS 代码。
• 团队留言板：一个共享的数据存储库，AI 助手可以发布并查询按类型（知识、任务、紧急等）分类的消息，实现跨 AI 的知识持久化。
• 缓存：实现基于版本的永久缓存，以确保增量更新和高性能。

适用对象

• 使用 Lanhu 进行设计和需求管理的开发人员和设计师。
• 使用 MCP 兼容 IDE（Cursor、Windsurf、Trae、Cline 等）并希望其 AI 直接读取设计规范和需求的 AI 原生开发人员。
• 希望在团队中同步 AI 生成的分析和测试用例的产品经理和测试人员。

亮点

• 共享 AI 上下文：一个团队范围内的留言板，允许一个 AI 的分析结果被另一个 AI 复用。
• 自动需求提取：对 Axure 原型进行高精度提取，并为开发人员和测试人员提供专门的视图。
• 设计转代码辅助：提取精确的 UI 参数并提供 HTML/CSS 参考，以提高实现准确性。
• 飞书集成：支持通过飞书 Webhook 进行 @提及和通知，连接 AI 协作与人类沟通。
• 视觉模型需求：针对具备视觉能力的模型（Claude、GPT、Gemini 等）进行了优化，用于分析设计截图和布局。