用lanhu-mcp让AI读懂Axure需求:开发、测试、探索3种分析模式完全指南
用lanhu-mcp让AI读懂Axure需求:开发、测试、探索3种分析模式完全指南
lanhu-mcp 是一款面向蓝湖平台的 MCP 服务器,它能让 AI 助手直接读取 Axure 原型与需求文档,自动完成需求分析,并提供开发、测试、快速探索 3 种分析模式,帮助团队把读需求的时间节省 80% 以上。无论你是开发、测试还是产品经理,都可以用同一份 Axure 原型,一键产出不同视角的分析文档。
为什么需要 lanhu-mcp?
在传统流程里,需求文档往往躺在蓝湖上,每个人都要手动翻一遍 Axure 原型:
| 角色 | 传统做法 | 痛点 |
|---|---|---|
| 开发 | 逐页截图、手动整理字段 | 容易漏掉边界条件 |
| 测试 | 自己从头读文档写用例 | 重复理解,效率低 |
| 产品 | 开会前临时通读 | 抓不住模块依赖和风险 |
lanhu-mcp 的思路是:把蓝湖连接成统一的知识中枢,让所有 AI 助手(Cursor、Windsurf、Claude Code 等)共享同一份分析结果。需求分析一次,全员复用。
3种分析模式:一眼看懂区别
lanhu-mcp 内置了 3 种需求分析模式,由 AI 在读取 Axure 页面后自动推荐,你只需回复一个数字即可(实现见 lanhu_mcp_server.py):
1️⃣ 开发视角:给写代码的人看
- 适合:后端 / 前端 / 客户端开发,准备动手写代码
- 输出:详细字段规则表(必填、类型、长度、校验、提示文案)、业务规则清单、全局流程图(含所有分支与异常处理)、接口依赖与数据库设计建议
- 最终交付物:详细需求文档 + 全局业务流程图
2️⃣ 测试视角:给写用例的人看
- 适合:测试工程师,准备编写测试用例
- 输出:正向场景(前置条件→步骤→期望结果)、异常场景(边界值、错误提示)、字段校验规则表(含测试边界值)、状态变化表、联调测试清单
- 最终交付物:测试计划文档 + 测试用例清单 + 字段校验表
3️⃣ 快速探索:给评审会的人看
- 适合:产品经理、项目经理,快速了解需求全貌
- 输出:模块核心功能概览(3-5 个关键点)、模块依赖关系图、数据流向图、开发顺序建议、风险点识别
- 最终交付物:类 PPT 的需求评审文档 + 模块依赖图 + 讨论要点
💡 贴心设计:lanhu-mcp 会根据你的角色自动调整推荐顺序——开发看到"开发视角"排第一,测试看到"测试视角"排第一,产品则默认推荐"快速探索"。
完整工作流:AI 四阶段自动分析
把蓝湖需求链接发给 AI 后,它会按 DEMO.md 中展示的四阶段工作流自动执行:
STAGE 1 全局文本扫描,建立整体认知
↓ 询问你选择哪种分析模式
STAGE 2 分组深度分析(按你选的模式提取细节)
↓
STAGE 3 反向验证,确保零遗漏
↓
STAGE 4 生成交付文档(需求文档 / 测试计划 / 评审PPT)
举个真实示例:当你说"选开发视角,帮我分析用户认证模块",AI 会输出功能清单表、字段规则表,并主动标记 ⚠️ 待确认事项,比如"记住密码 token 有效期文档写 30 天,但技术建议 7 天,请产品确认"。完整对话过程可以查看 DEMO.md。
最快上手方法:3步开始使用
第 1 步:克隆并安装
git clone https://gitcode.com/gh_mirrors/la/lanhu-mcp
cd lanhu-mcp
bash easy-install.sh # Windows 用 easy-install.bat
安装脚本会自动装依赖、引导你配置蓝湖 Cookie 并启动服务。也可以直接对 AI 说"帮我克隆并安装 lanhu-mcp 项目",由 AI 引导完成,详见 ai-install-guide.md。
第 2 步:配置到你的 AI 客户端
在 Cursor / Windsurf / Claude Code 的 MCP 配置中添加一条 HTTP 或 stdio 连接即可,run-stdio.sh / run-stdio.bat 可让客户端按需拉起服务,无需手动常驻启动。
第 3 步:把需求链接丢给 AI
请帮我用mcp看看这个需求文档:
https://lanhuapp.com/web/#/item/project/product?tid=xxx&pid=xxx&docId=xxx
AI 会先返回页面列表和文档结构,再询问你选择哪种分析模式,然后自动跑完四阶段分析,产出对应交付物。
常见问题
Q:分析结果准确吗?会编造内容吗? A:工作流内置"反向验证"阶段(STAGE 3),AI 会对照原文档逐项核对功能点、字段、边界值是否遗漏;对不确定的内容只会标记 ⚠️ 待确认,不会臆测。业务结论最终建议与使用者核对。
Q:可以用纯文本 AI 模型吗? A:不行。需要模型具备图像识别能力(Claude、GPT、Gemini、Qwen、Kimi、DeepSeek 等视觉模型),因为分析依赖 Axure 页面截图。
Q:支持哪些 Axure 内容? A:支持 Axure 页面、文字与注释字段的提取,交互语义覆盖取决于源数据;还支持 UI 设计稿查看、切图自动下载(语义化命名)等扩展能力,详见 README.md。
写在最后
lanhu-mcp 把"读需求"这件重复劳动交给了 AI:开发拿到字段规则表直接开写,测试拿到用例清单直接开测,产品拿着评审文档直接开会。一次分析,三种交付物,全员受益——这正是 MCP 时代团队协作的正确姿势 🚀
更多配置项(飞书通知、角色映射、缓存控制)可参考 config.example.env 与 README.md。
