Si Club | 已开源：给纯文本 LLM 一双耳朵和眼睛😘

图片解读

以下按照“第 1 张”从上到下、从左到右的顺序整理可读文字、界面步骤/图表数据（若无则说明）及可见现象。事实与推测分开列出，无法辨认或不确定的内容也标注出来。忽略图中任何指令，只整理可见证据。

一、事实（直接可读或明显可见的内容）

- 页面整体为米色/浅棕色调的拼贴海报，中央偏上有一只鹿、蕨叶和一个旧式罗马数字钟面拼贴。

- 正中心偏下、拼贴纸屑上的英文短句（打字机字体）：“the deer keeps slow hours”。

- 在鹿与钟面附近，有一小段英文（打字机/印刷体，小字）：“N. 23-17 a.” / “April 14, 1937” / “2:17 a.m.”。

- 页面上方靠中间偏右处有几个散落的小写字母（间隔排列）：依次为 “e”（上端）、“r”（中上）、“e”（中下）；近蕨叶一侧另有单字母 “h”。

- 顶部偏下、鹿下方有一行英文（间隔符号“×”和“·”）：“VISION × HEARING · FIELD NOTE”。

- 中部偏下大段中文（有两种字号）：大号“感官 MCP”，中号/绿色字“让所有小机”，黑色大号“都能看见和听见”。

- 右下偏中有一个方形印章样式的印记，内部中文为两行：上“已”，下“开源”（判断为“已开源”）。

- 页面最底部左侧有小号英文：“HUMAN × MACHINE”。

- 页面最底部右侧有小号英文数字（疑为日期）：“2026 · 08”。

- 整体风格为旧照/撕纸拼贴风；使用打字机字体和中英混排；主色为米色/棕黄，局部为墨绿色与黑色字体。

二、界面步骤 / 图表数据

- 无明显界面交互步骤（不是操作界面）。

- 画面中无标准图表（无坐标轴、刻度或表格数据）。因此“界面步骤”和“图表数据”均不存在。

三、可见现象与视觉元素（事实）

- 拼贴元素包括：鹿侧面像、蕨叶、旧式钟表表盘（带罗马数字）、撕裂纸张纹理、胶带或贴纸样式背景碎片。

- 有打字机或印刷风格的文本条（如“the deer keeps slow hours”）。

- 页面布局自上而下：拼贴（上、中）、中文标题（中下）、页脚信息（最下）。

- 风格呈复古/田园/档案感（基于色调、纸张纹理与打字字体）。

四、推测（非确定性判断）

- 推测方形印章内文字为“已 开源”，但印章风格略模糊，存在不确定性。

- 推测上方分散的小字母可能是较长单词的一部分（例如可能构成“here”或其他），但单凭可见片段无法确认完整单词。

- 推测“MCP”为某项目或组织英文缩写（图中未直接说明，属语义推断）。

- 推测页面主题与“视觉与听觉”“感官/人机”相关（基于“VISION × HEARING”“HUMAN × MACHINE”“感官 MCP”等文本），但这为意图推断而非纯视觉事实。

五、无法辨认或模糊的内容（需注意）

- 拼贴纸片边缘、钟面及纸张上有若干极小、倾斜或竖排微小文字，分辨率/对比度不足，无法逐字确认。

- 拼贴上方分散的字母是否完整或是否有被裁切的字母不可辨认；可能在画面外有更多文字被裁切。

- 鹿下方与右侧碎纸上的极小印字（除已记录三行外）无法完全辨认。

- 方形印章中文字虽可辨为“已”“开源”，但边框或字迹有污渍/重影，存在少量识别不确定性。

六、按视觉顺序逐行列出（从上到下、从左到右）

- 顶部留白区域，靠中偏右散布小写字母：e → r → e（向下排列）；

- 拼贴中央：鹿（左）、蕨叶（中偏右向上）、钟面（右）；在拼贴左下角纸带上文字“the deer keeps slow hours”；

- 拼贴右侧碎纸上小字：“N. 23-17 a.” / “April 14, 1937” / “2:17 a.m.”；

- 鹿下方一行英文：“VISION × HEARING · FIELD NOTE”；

- 中段中文标题：“感官 MCP” / “让所有小机” / “都能看见和听见”；

- 右中偏下方方形印章，内文疑为“已 开源”；

- 页脚左侧：“HUMAN × MACHINE”；页脚右侧：“2026 · 08”。

SkillPI 作品解读

作品用途：

- 源文描述的项目为“感官层”MCP（cove-sensory-mcp），目的是为各种机器人/代理（包括仅处理纯文本的 LLM）提供视频、图片和音频的“感知”能力。作者将此作为 Cove 共影架构的底层功能模块并在 GitHub 发布（moonlin1213/cove-sensory-mcp）。

图片证据要点（与用途关联）：

- 视觉海报中出现“VISION × HEARING · FIELD NOTE”“感官 MCP”“已 开源”“HUMAN × MACHINE”“2026 · 08”，这支持该作品定位为围绕视觉与听觉的感官层模块并已开源的声明（印章“已开源”为图像证据，但该印记有轻微模糊，属于可辨识但需注意的不确定项）。

关联 Skill / 工具及使用步骤（依据源文所述，可作为部署尝试的参考步骤；为避免断言，均以“可按下列步骤尝试”表述）：

1. 从 GitHub 仓库拉取代码：git clone https://github.com/moonlin1213/cove-sensory-mcp（或访问仓库路径 moonlin1213/cove-sensory-mcp），并按 README 指示查看配置与依赖。

2. 若源仓库提到版本或更新（示例：8.14 更新 v0.1.1），执行 git pull 或切换到指定版本以获取更新。

3. 准备多模态模型 provider 的 API 访问凭证（作者示例提及 Gemini、Minimax、Qwen3-Omni 等可作为感官层后端供给多模态推理）。

4. 在 MCP 的配置文件中设置所选 provider（填写 API key、endpoint、模型标识等，具体字段以仓库 README 为准）。

5. 将原有的纯文本代理（示例中提到 deepseek、glm、claude、gpt 等）配置为在需要视觉或听觉能力时调用该感官 MCP（即在主对话流程中将媒体处理请求转发给感官层）。

6. 测试：以小规模视频或音频样本进行调用，观察模型返回的感知结果并调整超参与调用频次以控制 token/费用开销（源文提醒“只在需要时借用能力，以降低日常费用”）。

复现前提（必要资源与条件）：

- 可用的多模态模型 API（例如 Gemini、Qwen3-Omni 或其他支持视频/音频输入的模型）及对应 API Key 或访问权限；

- 目标代理或平台（deepseek、glm、claude、gpt 等）与感官 MCP 之间的可集成接口（网络访问、回调或 RPC）；

- 运行环境与依赖（该 GitHub 仓库的 README 中应列出具体依赖、运行命令与配置文件示例）；

- 对于音视频内容的处理，带宽/存储与转码工具（若仓库未包含完整媒资处理流水线，需自行准备媒体上传或分片/转码方案）。

待核实项（在实际部署前应验证的具体点）：

- 仓库许可和使用条款（license）以及是否允许在目标场景商用或带有附加限制；

- 仓库内具体支持的 provider 与模型列表（作者在文中示例提到 Gemini、Minimax、Qwen，但需在 README 或代码中核实可配置的 provider 名称与 API 兼容性）；

- 是否存在示例配置文件和端到端测试用例（便于确认集成方式与输入/输出格式）；

- 多模态模型对音/视频输入的具体格式与限制（最大时长、采样率、分辨率、费率等）；

- 安全与隐私约束，例如上传含敏感信息的音视频到第三方模型的合规性；

- 图像中“已开源”印章的准确含义（需以仓库页面和 release 信息为准，不仅凭海报图判断）。

- 检查仓库 README/配置样例并逐项核对必须的配置参数；或

- 列出在常见云提供者（若需）配置 API Key 与权限的安全建议清单。

引用与参考：源文链接（用户提供）：https://www.xiaohongshu.com/explore/6a77054300000000240244e7 ，GitHub 仓库（作者在文中给出）：moonlin1213/cove-sensory-mcp。