摘要:蓝湖设计稿 → Cursor 直接读 → 生成代码,听起来很美好。但 MCP 选型、Cookie 过期、样式方案对不上、AI 幻觉,每个环节都有坑。这篇文章把整个流程和踩坑记录都写清楚。
用过蓝湖的前端都懂,还原设计稿这件事有多折磨人。
设计师发来一个链接,你打开蓝湖,切到标注模式,开始量间距、看色值、下切图。一个页面还原下来,至少 30 分钟是在"抄"设计稿。改稿更崩溃——设计师改了间距,你得重新量一遍。
上个月我试着用 Cursor 接了蓝湖的 MCP,让 AI 直接读设计数据生成代码。折腾了两天,能用,但离"一键还原"还差得远。
这篇文章不讲"MCP 是什么",讲实际接入后到底能干什么、哪些地方会坑。下面示例用 Vue 3 + SCSS,React / 其他栈同理,换一下 Prompt 里的技术栈约束即可。
注意:文中提到的蓝湖 MCP 均为第三方开源工具,非蓝湖官方产品。通过 Cookie / 登录态访问蓝湖接口,账号安全需自行负责,Cookie 不要提交到 git。
选哪个 MCP 包——我试了几个
搜"蓝湖 MCP"能出来至少五六个包,大部分是第三方个人维护的。我挑了几个主流的试:
| MCP 包 | 核心特点 | 适合场景 |
|---|---|---|
mcp-lanhu | 一行命令 npx -y mcp-lanhu,支持 include 按需取 tokens / layout / layers | 想细控上下文、只要 Design Tokens |
lanhu-flow-mcp | 和上面类似,按需读取(tokens / layout / slices),对大稿友好 | 设计稿大、不想一次塞爆上下文 |
lanhu-server-mcp | 有 lanhu_implement_context,能检测仓库技术栈再给写码指引 | 想尽量贴合现有项目结构 |
@star_work/lanhu-mcp | 工具少而清晰:解析链接、拉设计数据、下预览图、下切图;支持浏览器登录续 Cookie | 想快速落地、少折腾配置 |
最后我留在 @star_work/lanhu-mcp 上。原因很简单:
- 工具链够用:解析链接 → 看截图 → 拿图层结构 → 下载切图,日常还原就这几步。
- Cookie 能续:挂了可以走
lanhu_login弹浏览器登录,不用每次都去 F12 抄 Cookie。 - 配置短:
npx就能跑。
如果你更在意「只要 tokens、不要完整图层树」,可以试 mcp-lanhu / lanhu-flow-mcp——它们的 include、layer_depth 对控 token 更细。
配置流程:先能连上蓝湖
推荐配置(用户级,不进仓库)
我放在 Cursor 用户级 MCP 配置里(Windows 大概是 ~/.cursor/mcp.json),不放项目目录,避免 Cookie 进 git。
{
"mcpServers": {
"lanhu": {
"command": "npx",
"args": ["-y", "@star_work/lanhu-mcp"]
}
}
}
也可以在 env 里先塞一次 LANHU_COOKIE(从蓝湖网页 F12 → Network → 复制 Cookie)。但更建议:配置好 MCP 后,对话里让 AI 调 lanhu_login,用浏览器登录,Cookie 由工具自己管。
配完后 重启 Cursor(或重载 MCP),在对话里贴一个蓝湖链接,让它解析 / 拉一张设计稿预览,确认连接成功。
踩坑点
① Cookie 会过期。
蓝湖登录态不是永久的。失效后工具会 401 / 取数失败。用 @star_work/lanhu-mcp 时,优先让 AI 调 lanhu_login 重新登录;如果是手写进 env 的 Cookie,就再抄一次更新配置。
② 不要把 Cookie 提交到 git。
如果一定要把 mcp.json 放项目里,务必把 .cursor/mcp.json(或整份 .cursor/)加进 .gitignore。多个 MCP 文档都专门警告了这一点。
③ 用户级配置更省心。
MCP 配在用户级,所有项目共用,仓库里也不用留敏感信息。
实际使用:别一上来就让 AI 写代码
配置完只是第一步。真正用起来的时候,不要让 AI 看到设计稿就直接写代码。
我最初的做法是:粘链接 → 说「帮我实现这个页面」→ AI 开始生成。结果出来的代码跟设计稿差得挺远——间距不对、字体大小不对、切图没下载。
后来调整了流程,效果好很多。对应 @star_work/lanhu-mcp 的工具大致是:
| 步骤 | 做什么 | 对应工具 |
|---|---|---|
| 1 | 解析分享 / 邀请链接,确认 tid、pid、image_id | lanhu_resolve_link |
| 2 | 先看设计稿预览图,对齐「要做哪一屏」 | lanhu_get_screenshot |
| 3 | 再拉结构化图层数据(尺寸、文案、样式线索) | lanhu_get_design |
| 4 | 下载已标注切图,确认资源清单后再引用 | lanhu_download_slices |
| 5 | 人工确认后,再让 AI 按项目技术栈写代码 | — |
Prompt 可以怎么写
先确认画板:
解析这个蓝湖链接,确认项目参数,并拉一下预览图给我确认是不是这一屏:
<蓝湖链接>
再拿结构(先别写码):
用 lanhu_get_design 拉这张稿的结构化数据。
先把关键区块、文案、主要尺寸/颜色列出来给我确认,暂时不要写代码。
人工确认后再写:
根据上面的设计数据和预览图,用 Vue 3 + SCSS 实现这个页面。
颜色和间距尽量复用项目已有变量(例如 @/styles/variables.scss),不要硬写 rgba。
切图用刚才下载的资源,按业务语义重命名后再引用。
严格按设计稿标注数值,不要自行把 12px「优化」成 16px。
关键一句:AI 不认识你项目里的 $primary-color,它默认只会给你原始色值或它熟悉的原子类。 变量映射必须在 Prompt 里约束,或你先手改一版映射再让它写。
踩坑记录
坑 1:颜色是 rgba,项目用的是 SCSS 变量
蓝湖 / MCP 吐出来的经常是原始色值,例如 rgba(51,51,51,1)。AI 会原样写进样式,但你项目里可能已经有 $text-primary: #333。
解决方式:在 Prompt 里写明变量文件路径,并要求「颜色和间距优先复用已有变量」。或者先手动把 tokens 映射到 SCSS 变量,再让 AI 基于映射后的表生成。
坑 2:设计数据里可能带 UnoCSS class,和 SCSS 项目对不上
@star_work/lanhu-mcp 的 lanhu_get_design 会返回清洗后的图层树,里面常带 UnoCSS 风格的原子类。如果你的项目是 Vue + SCSS(或 React + SCSS),AI 有时会直接把这些 class 抄进模板——编译过不了,或者和现有样式体系两套并行。
解决方式:明确说「项目用 SCSS,不要输出 UnoCSS / Tailwind 原子类;把视觉信息转成 SCSS」。预览图 + 尺寸文案当参考,class 字符串别当最终实现。
坑 3:切图文件名缺业务语义
MCP 下载的切图会按类型命名,例如 bg-1.webp、img-1.webp、icon-1.webp。比纯数字序号好一点,但两周后你仍可能忘了 icon-3 是什么。
解决方式:在 Prompt 里要求结合图层名称 / 业务含义重命名,例如 home-top-notice-bg.webp,再放进 assets/。下载后先看清单,确认缺图再写页面。
坑 4:上下文太大
设计稿图层很深时,一次把完整结构塞进对话,token 消耗很大,后面 AI 更容易胡说。
解决方式:
- 先
lanhu_get_screenshot对齐视觉,再按需lanhu_get_design - 大页面拆成「头部 / 列表 / 弹层」分次实现
- 如果改用
mcp-lanhu/lanhu-flow-mcp,可用include、layer_depth进一步裁剪返回内容
坑 5:AI 把间距搞错了(最隐蔽)
设计稿标注 12px,AI 生成了 padding: 12px,看起来对。但项目规范可能是 $spacing-md: 16px。更麻烦的是,AI 有时会「自作主张」把 12px 改成 16px,觉得差不多。
解决方式:Prompt 加一句「严格按设计稿标注数值,不要自行调整」。有设计规范变量表时,写清「仅当数值与变量一致时才替换成变量」。
坑 6:没下切图就开写,页面缺图
只拉了结构就开始写,结果背景图、图标全是占位或 404。
解决方式:写码前固定走一遍 lanhu_download_slices,把清单贴进对话或写进注释,再引用本地路径。
总结
蓝湖 MCP 能省掉「手动量间距、下切图」的时间,但它不是「一键还原」。它把设计数据喂给 AI,但「喂什么、怎么喂、喂多少」,还是得你来控制。
我的推荐配置:
{
"mcpServers": {
"lanhu": {
"command": "npx",
"args": ["-y", "@star_work/lanhu-mcp"]
}
}
}
推荐流程:
lanhu_resolve_link→ 确认链接 / 画板lanhu_get_screenshot→ 人工确认是不是这一屏lanhu_get_design→ 看结构(注意 UnoCSS vs SCSS)lanhu_download_slices→ 下切图并重命名- 约束技术栈与变量后,再让 AI 写代码
一句话总结:MCP 是管道,不是魔法。