dsphper/lanhu-mcp：README 來源編輯指南

dsphper/lanhu-mcp 的 README 將專案描述為「⚡ 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」。本文只整理倉庫可直接核對的內容，不把 star、Fork 或宣傳語當成品質證明。README 在「🎨 Lanhu MCP Server | 蓝湖MCP服务器2.0」下寫到：lanhumcp | 蓝湖mcp | lanhu-mcp | 蓝湖AI助手 | 蓝湖skills | Lanhu AI Integration。這說明的是專案邊界，不是已完成的生產驗證。

從 README 的「🌟 项目亮点」與相關條目，可以先判斷它是否處理你的實際問題：🎨 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。若需求不同，不應只因專案熱度就採用。本文保留原始專案名、命令與元件名，方便回到一手來源核對。 README 另外列出一項可核對的資訊：📋 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%。這類原文條目可用來設計試跑步驟，但不能取代實際環境測試。

README 將運作方式分散在「🚀 快速开始」等段落。可確認的線索包括：> ⚠️ 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。本文不把未寫出的架構、效能或安全邊界補成結論；真正的執行鏈仍要配合目錄、設定檔與版本標籤檢查。

第一次安裝應從 README 指出的入口開始。目前可核對的命令是： # 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 如果倉庫沒有命令，本文不會自行編造步驟，而是建議先閱讀「🌟 项目亮点」，確認系統依賴、預設埠與首次初始化。

日常使用取決於專案文件。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！。設定檔、環境變數、權限與資料目錄只在來源明確時才會記錄；沒有寫出的預設值，應在測試環境驗證並保留回滾副本。 同一部分也提到：✅ Windsurf + 蓝湖：Windsurf Cascade AI 直接读取蓝湖需求文档和设计稿。

README 能確認的限制比宣傳頁更重要。現有來源沒有證明dsphper/lanhu-mcp具備固定相容矩陣、服務等級、效能基準或長期支援承諾。README 只明確寫到「> 💡 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」。這些未知項應列入選型紀錄，不要改成肯定句。