dsphper/lanhu-mcp：README 来源编辑指南

dsphper/lanhu-mcp 的 README 将项目描述为"⚡ 需求分析效率提升 200%！全球首个为 AI 编程时代设计的团队协作 MCP 服务器，自动分析需求自动编写前后端代码，下载切图"。本文只整理仓库能直接核验的内容，不把星标、Fork 或宣传语当成质量证明。README 在"🎨 Lanhu MCP Server | 蓝湖MCP服务器2.0"下的说明是：lanhumcp | 蓝湖mcp | lanhu-mcp | 蓝湖AI助手 | 蓝湖skills | Lanhu AI Integration。这给出的首先是项目边界，而不是已经完成的生产验证。

从 README 的"🌟 项目亮点"和相关条目看，读者可以先判断它是否解决自己的具体问题：🎨 UI设计支持：自动下载设计稿，智能提取切图，语义化命名；设计图分析可获取尺寸/间距/颜色/字体等精确参数，并得到转换后的 HTML+CSS 代码参考。如果你的目标与这段说明不一致，就不应仅凭项目热度采用它。这里保留原项目名、命令和组件名，方便回到一手来源核对。 README 还列出了另一条可核对的信息：📋 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%。这类原文条目可以帮助读者设计试运行步骤，但不能代替自己的环境测试。

README 把工作方式分散写在"🚀 快速开始"等段落中。可确认的线索包括：> ⚠️ 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2026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。这篇整理没有把未写出的架构、性能或安全边界补成结论；真正的运行链仍应结合仓库目录、配置文件和版本标签检查。

第一次安装应从 README 给出的入口开始。当前可复核的命令是： # 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 如果仓库没有提供命令，本文不会替它编造安装步骤，而是建议先打开 README 的"🌟 项目亮点"部分，确认系统依赖、默认端口和首次初始化动作。

日常使用的细节取决于项目实际文档。README 的"🚀 快速开始"段落提到：> 💡 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！。对于配置文件、环境变量、权限和数据目录，当前稿只记录来源明确的部分；未写明的默认值必须在测试环境中验证，并保留可回滚的配置副本。 同一部分还提到：✅ Windsurf + 蓝湖：Windsurf Cascade AI 直接读取蓝湖需求文档和设计稿。

README 能确认的限制比宣传页面更重要。当前来源没有证明dsphper/lanhu-mcp具备固定的兼容矩阵、服务等级、性能基准或长期支持承诺。README 只明确写到"> 💡 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"。这类未知项应在选型记录里列为待验证事项，而不是被改写成肯定句。