需求分析效率提升 183%！ AI 自动读取蓝湖文档、团队协作功能打破 Cursor/Windsurf/等 AI IDE 上下文孤岛，让所有 AI 共享知识库
TL;DR
做了个工具解决两个痛点：
- AI 直接读蓝湖：给个 URL ，AI 自动提取 Axure 原型并分析（不用复制粘贴了）
- 打破 AI 孤岛：团队所有人的 AI （ Cursor/Windsurf/Claude ）共享知识库，不再重复劳动
GitHub: https://github.com/dsphper/lanhu-mcp
基于 Model Context Protocol (MCP)
背景：AI 时代的两个新痛点
痛点 1：需求文档还要手动复制粘贴？
以前看蓝湖需求文档的流程：
- 打开蓝湖链接
- 一页一页截图/复制文字
- 粘贴给 AI
- 重复 10 次...
都 AI 时代了，为啥还要手动复制粘贴？直接给个 URL 让 AI 自己去读不香吗？
痛点 2：每个人的 AI 都是孤岛
我的 Cursor AI 分析完需求，花了 5 分钟理清字段规则。
结果：
- 测试同学的 AI 又重新分析了一遍
- 前端同学的 AI 也重新分析了一遍
- 我踩的坑记录在 Cursor 里，别人的 AI 不知道
每个人的 Cursor/Windsurf 是独立的，AI 之间完全不共享上下文。
解决方案
核心功能 1：AI 直接读蓝湖文档
不需要复制粘贴，直接对 AI 说：
@AI 帮我看下这个需求文档 https://lanhuapp.com/web/#/item/project/product?tid=xxx&pid=xxx&docId=xxx AI 自动完成：
- 提取所有页面的文字和截图
- 识别字段规则（必填、类型、长度、校验）
- 提取业务逻辑（判断条件、异常处理）
- 生成流程图
支持 3 种分析模式：
- 开发视角：字段规则表 + 业务逻辑清单 + 接口依赖
- 测试视角：测试场景 + 测试用例 + 边界值
- 快速探索：核心功能概览 + 模块依赖图
还支持 UI 设计：
@AI 帮我下载"首页设计"的所有切图到 src/assets/ AI 自动识别项目类型（ React/Vue ），生成语义化文件名，批量下载。
核心功能 2：团队留言板（这是最爽的功能）
后端 AI 分析完需求后：
@测试小李 @前端小张 我分析了"用户登录"需求： - 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 [类型：knowledge] // 保存到知识库 测试同学的 AI 直接查询：
@AI 查看所有关于"登录"的知识库 → 立即获取后端 AI 的分析结果！ 架构图：
┌─────────────────────────────┐ │ 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 支持的留言类型：
- knowledge：知识库，永久保存（坑点、经验、最佳实践）
- task：任务协作（让其他人的 AI 帮忙查询代码/数据库，安全限制：只能查不能改）
- urgent：紧急通知（自动发飞书通知）
- question：提问讨论
还能：
- 自动记录谁的 AI 看过这个需求
- 支持 @提醒 + 飞书通知
- 全文搜索历史留言
实际效果
以前：
- 需求分析：每人 5 分钟 × 5 人 = 25 分钟
- 复制粘贴：每个需求 2-3 分钟，一天看 10 个需求 = 30 分钟
- 踩坑：Redis 超时问题，3 个人分别花 1 小时排查
现在：
- 需求分析：后端 AI 分析 5 分钟，其他人 AI 直接查询 = 5 分钟
- 复制粘贴：0 分钟（给个 URL 就行）
- 踩坑：第一个人记录到知识库，后面的人 AI 直接找到解决方案
保守估计，每周能节省团队 5-10 小时。
技术实现
- 协议：基于 Model Context Protocol (MCP)
- 框架：FastMCP （ Python ）
- 浏览器自动化：Playwright （提取页面内容和截图）
- 通知集成：飞书 Webhook
- 数据存储：本地 JSON + 文件缓存（基于版本号）
- 性能：页面截图 ~2 秒/页，智能缓存，增量更新
核心代码 3800+ 行，单文件部署。
安装和配置
最简单方式（让 AI 帮你）：
在 Cursor 中对 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。
手动安装：
git clone https://github.com/dsphper/lanhu-mcp.git cd lanhu-mcp # Docker 部署（推荐） bash setup-env.sh # 交互式配置 Cookie docker-compose up -d # 或源码运行 bash easy-install.sh # 一键安装并配置 配置 Cursor：
{ "mcpServers": { "lanhu": { "url": "http://localhost:8000/mcp?role=后端&name=张三" } } } 适用场景
适合你，如果：
- 公司用蓝湖管理需求文档和 UI 设计
- 团队使用 Cursor/Windsurf/Claude Desktop 等 AI IDE
- 需要多角色协作（后端、前端、测试、产品）
不适合你，如果：
- 需求文档不在蓝湖（可以提 Issue ，我考虑支持其他平台）
- 团队就你一个人（虽然也能用，但价值不大）
开源地址
GitHub: https://github.com/dsphper/lanhu-mcp
License: MIT
文档： 挺详细的，有快速开始、部署指南、Cookie 获取教程
欢迎提 Issue 、PR ，或者在下面讨论。
想听听大家的意见
- 你们团队的 AI 协作有遇到类似问题吗？
- 除了需求分析和团队协作，还有什么场景适合"AI 共享知识"？
- 有没有人用过类似的工具？效果如何？
- 如果支持 Figma/墨刀/其他原型工具，有人用吗？
最后
如果你认可这个想法，或者觉得对你有帮助，给个 Star 就是对我最大的鼓励！
GitHub: https://github.com/dsphper/lanhu-mcp
P.S. 代码可能不够优雅（ 3800 行单文件），欢迎拍砖和提 PR 。
P.P.S 项目对小白友好，不懂技术也能让 AI 帮你安装，详见 README 。
Select Language