Mind+ V2.0.7携手二哈2小智：语音操控AI生成明星画像

• 语音唤醒与视觉切换：唤醒小智AI，并语音指令“切换到人脸识别”。
• 人脸学习与识别：将明星照片置于镜头前，通过对话让小智识别照片上的明星是谁，再语音指令如“学习这个人，名字叫胡歌”。此后，二哈2以后便能直接识别出“胡歌”。
• 创意图像生成：语音描述如“刘德华是华语乐坛和影坛的超级巨星……”，小智AI将调用MCP服务，在LattePanda上生成并全屏展示一张符合描述的AI画像。
  
  

• HUSKYLENS 2 AI视觉传感器 × 1：项目的“眼睛”，负责图像识别。
• HUSKYLENS 2 WiFi模块 × 1：为HUSKYLENS 2提供联网能力。
• LattePanda Alpha 800s × 1：项目的“大脑”，运行MCP服务。搭载Intel Core m3-8100Y处理器，性能足够。
• 15.6英寸1920×1080 IPS Type-C电容触摸屏 × 1：项目的“面孔”，用于显示生成的AI画像。
• USB Type-C数据线 × 1。
  
  

• 下载安装：从Mind+官网下载并安装最新版。
• Python环境配置：Mind+ V2.0.7新增了Python环境选择器。打开Mind+，在Python模式下点击“连接Python” → “切换本地Python”，选择“Mind+内置Python”。这个环境预置了常用库，可“开箱即用”。
  
  

• 硬件连接：将WiFi模块插入HUSKYLENS 2，并用Type-C数据线供电。
• 联网与激活：在HUSKYLENS 2屏幕菜单中配置WiFi。然后进入“小智AI”应用，记下激活码。
• 绑定设备：浏览器访问小智控制平台，登录后输入激活码完成绑定。
• 获取MCP接入点：在控制平台中，找到你绑定的设备，复制其“MCP接入点” URL（形如wss://api.xiaozhi.me/mcp/?token=...）。
  
  

• 创建Python项目：打开Mind+，python积木模式——手动编辑，将以下代码粘贴进去。
• 扩展里添加"小智MCP客户端"
• 配置参数：将代码中的SILICONFLOW_API_KEY替换为你的SiliconFlow API Key（https://cloud.siliconflow.cn/i/KwyEBX3e，有免费额度），将mcp_runtime.init_mcp_endpoint()中的URL替换为你刚才复制的小智AI MCP接入点。
• 运行服务：点击Mind+的“运行”按钮。
  
  

# -*- coding: UTF-8 -*-
# MindPlus V2
# python-block
import json
import requests
import os
import tempfile
import cv2
from mcp_api_lib import MCPBlockRuntime
import threading

# --- 配置区域 ---
SILICONFLOW_API_KEY = "你的SiliconFlow API Key"
SILICONFLOW_API_BASE = "https://api.siliconflow.cn/v1"
IMAGE_GEN_MODEL = "Kwai-Kolors/Kolors"

mcp_runtime = MCPBlockRuntime()
mcp_current_ctx = None

def generate_image2(prompt: str) -> str:
    """调用 SiliconFlow API 生成图片，返回本地路径"""
    url = f"{SILICONFLOW_API_BASE}/images/generations"
    headers = {
        "Authorization": f"Bearer {SILICONFLOW_API_KEY}",
        "Content-Type": "application/json",
    }
    payload = {
        "model": IMAGE_GEN_MODEL,
        "prompt": prompt,
        "image_size": "1024x1024",
        "batch_size": 1,
        "num_inference_steps": 20,
    }
    try:
        response = requests.post(url, json=payload, headers=headers)
        response.raise_for_status()
        result = response.json()
        image_url = result['images'][0]['url']

        img_response = requests.get(image_url, stream=True)
        img_response.raise_for_status()
        with tempfile.NamedTemporaryFile(delete=False, suffix=".png") as tmp_file:
            for chunk in img_response.iter_content(chunk_size=8192):
                tmp_file.write(chunk)
            tmp_file_path = tmp_file.name
        return tmp_file_path
    except requests.exceptions.RequestException as e:
        error_msg = f"调用 SiliconFlow API 失败: {e}"
        print(error_msg)
        if e.response:
            try:
                error_detail = e.response.json()
                print(f"API 错误详情: {error_detail}")
            except:
                pass
        return None

@mcp_runtime.on_tool_called("generate_image2")
def on_mcp_tool_generate_image2(ctx):
    global mcp_current_ctx
    mcp_current_ctx = ctx
    prompt = mcp_runtime.get_param_string(ctx.args, "information")
    print(f"收到生成图片请求，提示词: {prompt}")

    if not prompt:
        # 修复：返回标准 MCP 格式
        return {
            "content": [
                {"type": "text", "text": "未收到信息"}
            ]
        }

    # 定义后台任务函数
    def generate_and_show():
        try:
            image_path = generate_image2(prompt)
            if image_path:
                img = cv2.imread(image_path)
                if img is not None:
                    cv2.namedWindow("Generated Image", cv2.WINDOW_NORMAL)
                    cv2.setWindowProperty("Generated Image", cv2.WND_PROP_FULLSCREEN, cv2.WINDOW_FULLSCREEN)
                    cv2.imshow("Generated Image", img)
                    cv2.waitKey(0)
                    cv2.destroyAllWindows()
                else:
                    print("OpenCV 读取图片失败")
                # 可选：清理临时文件
                # os.remove(image_path)
            else:
                print("图片生成失败")
        except Exception as e:
            print(f"后台生成出错: {e}")

    # 启动后台线程（守护线程，主程序退出时自动结束）
    # 修复：取消注释，否则图片不会实际生成
    threading.Thread(target=generate_and_show, daemon=True).start()

    # 修复：返回标准 MCP 格式，包含 content 数组
    return {
        "content": [
            {"type": "text", "text": "信息已收到，图片正在后台生成中，请稍候..."}
        ]
    }

# 主程序开始
mcp_runtime.init_mcp_endpoint("你的小智AI MCP接入点URL")

mcp_runtime.register_tool("generate_image2", "本工具能够根据人物信息，生成相应的图片")
mcp_runtime.add_tool_param(
    tool_name="generate_image2",
    param_name="information",
    param_desc="信息",
    param_type="string",
    detail="信息可能是一个明星人物的描述信息，例如：'刘德华是……,根据信息，我们给其设计了发型是……，服装是……，背景是……'"
)

while True:
    mcp_runtime.keep_mcp_connection()
复制代码

• MCP工具注册：@mcp_runtime.on_tool_called("generate_image2") 装饰器将函数注册为一个可由小智AI调用的工具。
• 参数接收：mcp_runtime.get_param_string(ctx.args, "information") 获取小智AI传来的“信息”参数。
  
• 异步处理：使用threading在后台生成图片和显示，主线程立即返回“信息已收到”，保证语音交互的流畅性。
• 标准MCP响应：函数返回符合MCP协议的content数组，小智AI能正确解析并播报。
  
  

• 语音指令：你对小智AI说“根据胡歌的信息，为其生成相应图片”。
• LLM理解与调用：小智AI的大语言模型理解意图，决定调用MCP工具generate_image2，并将描述文本作为information参数传递。
• MCP服务响应：LattePanda上的Python服务接收到调用请求。
• 图像生成与显示：服务解析参数，调用SiliconFlow API生成图片，下载后用OpenCV全屏显示在触摸屏上。
• 语音反馈：服务立即返回“信息已收到，图片正在后台生成中”，小智AI播报此信息。
  
  

• 结合HUSKYLENS 2的物体识别功能，让AI根据看到的物体生成故事插画。
• 利用其自学习分类模型，训练它认识你的宠物，然后生成宠物的卡通头像。
• 将MCP服务部署到行空板M10等更多设备上，打造分布式AI应用。