Lanhu MCP Server: Designdaten und Teamwissen fuer KI-Assistenten bereitstellen
200 % KI-MCP. Docker lanhu_mcp_server.py 3.
Auf einen Blick
- Was ist das?
- Der MCP-Server dsphper/lanhu-mcp verbindet KI-IDEs mit der Lanhu-Designplattform: Anforderungsdokumente, Designentwuerfe, Slices und ein gemeinsames Team-Board. Eine Pruefung anhand des README.
- Für wen ist es gedacht?
- Der Lanhu MCP Server passt fuer Teams, die mit der Lanhu-Plattform arbeiten und Cursor, Claude Code oder aehnliche Clients an echte Designdaten anbinden wollen. Wer Lanhu nicht nutzt, braucht ihn nicht; wer nur Textmodelle einsetzt, wird laut README nicht bedient.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 5 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Wozu ein MCP-Server fuer Lanhu gut ist
Das Projekt dsphper/lanhu-mcp ist ein in Python geschriebener Server fuer das Model Context Protocol, der KI-Entwicklungswerkzeuge an die chinesische Designkollaborationsplattform Lanhu anbindet. Das Problem, das das README beschreibt, ist ein reales: Cursor, Windsurf oder Claude Code arbeiten each in ihrer eigenen Sitzung, ohne Zugriff auf Anforderungsdokumente und Entwuerfe, die im Designwerkzeug leben. Der Server schliesst diese Luecke, indem er Inhalte aus Lanhu als MCP-Werkzeuge bereitstellt.
Das README positioniert das Projekt als Teamloesung der Version 2.0 und nennt eine ganze Reihe von Szenarien: Entwicklung, Test und Produktdesign. Die Metadaten zeigen eine aktive Community mit 2261 Stars und 255 Forks, der main-Branch wurde im Juli 2026 zuletzt gepflegt. Fuer die Qualitaet eines Servers sagt das noch nichts, aber es zeigt, dass die Anbindung im Alltag mehrerer Teams gelaufen ist.
Anforderungsdokumente aus Axure-Prototypen auslesen
Der erste Funktionsblock betrifft Anforderungsanalyse. Laut README laedt der Server Axure-Prototypen automatisch herunter und parst alle Seiten, Ressourcen und Interaktionen. Es gibt drei Analysemodi: eine Entwicklersicht mit Feldregeln, Geschaeftslogik und globalen Ablaufdiagrammen, eine Testersicht mit Szenarien, Faellen, Grenzwerten und Pruefregeln sowie einen Schnelldurchlauf fuer Kernfunktionen und Modulabhaengigkeiten.
Der Ablauf ist in vier Phasen gegliedert: globale Uebersicht, Gruppenanalyse, Rueckwaertsverifikation und Erstellung der Ergebnisse. Eine laut README behauptete Trefferquote von ueber 95 Prozent bei der Anforderungsanalyse ist eine Selbstaussage des Projekts und nicht unabhaengig belegt. Wer darauf baut, sollte sie mit eigenen Dokumenten nachmessen, bevor Analysen ohne Gegenpruefung in Tickets landen.
Designentwuerfe, Slices und HTML+CSS als Ausgabe
Der zweite Block zielt auf UI-Arbeit. Der Server kann Entwuerfe stapelweise herunterladen und anzeigen, Slices und Icon-Ressourcen erkennen und exportieren und Dateinamen aus dem Layer-Pfad semantisch ableiten. Bei der Bildanalyse werden den Angaben nach exakte Werte fuer Groesse, Abstand, Farbe und Schriftgroesse mitgeliefert.
Interessant ist die Konvertierungsfunktion: Das Design-Schema wird in HTML- und CSS-Code uebersetzt, dessen Ergebnis laut README dem nativen Lanhu-Export entspricht. Fuer KI-Assistenten ist das der eigentliche Hebel, weil sie statt eines Screenshots eine strukturierte Ausgangslage fuer Komponenten erhalten. Wichtig ist eine Voraussetzung, die das README fett markiert: Das Modell muss Bilderkennung beherrschen. Reine Textmodelle wie GPT-3.5 oder Claude Instant werden nicht unterstuetzt; genannt werden Claude, GPT, Gemini, Kimi, Qwen und DeepSeek.
Ein gemeinsames Board gegen isolierte KI-Sitzungen
Das als Kerninnierung bezeichnete Feature ist ein Team-Nachrichtenboard. Alle KI-Assistenten, die sich mit demselben MCP-Server verbinden, teilen sich dessen Daten. Analysiert der Entwicklungs-Agent ein Anforderungsdokument, kann der Test-Agent dieses Ergebnis direkt abfragen. Stolpersteine und Loesungen werden als Wissenseintraege dauerhaft gespeichert, Aufgaben lassen sich als Nachrichtentyp an andere Agents richten.
Zusaetzlich gibt es Benachrichtigungen ueber Feishu: Ein Webhook verschickt Meldungen, eine Zuordnungstabelle FEISHU_USER_ID_MAP verbindet Nutzernamen mit Bot-Erwaehnungen. Der Server protokolliert ausserdem, welcher Agent welche Dokumente gelesen hat. Das schafft Transparenz im Team, setzt aber voraus, dass alle Beteiligten demselben Serverinstanz vertrauen und deren Datenhaltung akzeptieren.
Installation per Docker oder aus dem Quellcode
Fuer den Einstieg empfiehlt das README zwei Wege. Der erste ist Docker: git clone https://github.com/dsphper/lanhu-mcp.git, danach bash setup-env.sh unter Linux und macOS beziehungsweise setup-env.bat unter Windows. Das Skript fragt interaktiv den Lanhu-Cookie ab und erzeugt eine .env-Datei. Der Start erfolgt mit docker-compose up -d, Logs gibt es mit docker-compose logs -f.
Der zweite Weg laeuft aus dem Quellcode und braucht Python 3.10 oder neuer. easy-install.sh installiert Abhaengigkeiten und fuehrt durch die Cookie-Konfiguration, manuell entspricht das pip install -r requirements.txt und playwright install chromium. Wer den Server nicht dauerhaft betreiben will, nutzt run-stdio.sh beziehungsweise run-stdio.bat: Das Skript liest die .env-Datei und startet den Server per stdio, was fuer Clients mit command- und args-Konfiguration wie Claude Code oder Cursor passt.
Konfiguration mit Cookie, Rollen und Serverparametern
Pflichtangabe ist der Lanhu-Cookie, exportiert als LANHU_COOKIE. Laut README erhaelt man ihn, indem man sich im Webclient anmeldet und den Cookie aus dem Request-Header der Entwicklerwerkzeuge kopiert. Da der Server damit im Namen des Nutzers auf Lanhu zugreift, gehoert dieser Wert nicht in geteilte Dateien oder Repositories.
Der HTTP-Betrieb lauscht standardmaessig auf http://localhost:8000/mcp. In der Client-Konfiguration haengen role und name an der URL, etwa role=Developer&name=YourName; fuer stdio uebernehmen LANHU_USER_ROLE und LANHU_USER_NAME diese Aufgabe. Zulaessige Rollen sind unter anderem Developer, Frontend, Backend, Tester und Product. Weitere Stellschrauben aus der .env-Vorlage: SERVER_PORT, DATA_DIR, HTTP_TIMEOUT sowie VIEWPORT_WIDTH und VIEWPORT_HEIGHT fuer die Browseraufloesung bei Screenshot-Aufnahmen. Wer Meldungen moechte, setzt FEISHU_WEBHOOK_URL.
Fazit: Wann der Einsatz von lanhu-mcp Sinn ergibt
Der Server ist klar zugeschnitten: Er lohnt fuer Teams, die Anforderungsdokumente und Entwuerfe in Lanhu pflegen und mit MCP-faehigen Clients arbeiten. Dann spart er wiederholtes Kopieren von Screenshots und Spezifikationen und haelt Teamwissen ueber mehrere Agents hinweg verfuegbar. Wer Lanhu nicht einsetzt oder nur textbasierte Modelle nutzt, wird laut README nicht bedient.
Zu beachten bleibt, dass das Projekt die Plattform ohne offizielle API-Garantie automatisiert: Aenderungen an Lanhu koennen Werkzeuge brechen, das README verweist fuer Volltexte auf config.example.env und eigene Anleitungen wie GET-COOKIE-TUTORIAL.md. Die aktuelle Version ist v1.7.1 vom Juli 2026, aeltere Ausgaben wie v1.7.0 und v1.6.2 sind auf der Releases-Seite dokumentiert. Ein Test mit einem einzelnen Dokument vor dem Rollout an das ganze Team ist der sinnvollste erste Schritt.
Redaktionelles Fazit
Der Lanhu MCP Server passt fuer Teams, die mit der Lanhu-Plattform arbeiten und Cursor, Claude Code oder aehnliche Clients an echte Designdaten anbinden wollen. Wer Lanhu nicht nutzt, braucht ihn nicht; wer nur Textmodelle einsetzt, wird laut README nicht bedient. Vor dem Einsatz den Cookie-Zugriff ueber LANHU_COOKIE und den Endpunkt http://localhost:8000/mcp im eigenen Setup testen.
Community-Notizen