visual-regression-mcp
Enables AI-assisted visual regression testing by capturing baselines, comparing screenshots, and using AI to judge whether visual differences are bugs or acceptable changes.
README
Visual Regression MCP
AI 辅助的视觉回归测试 MCP Server。像素对比找出差异,AI 判断这个差异是真 bug 还是可接受的变化。
为什么做这个
视觉回归测试不是新技术,但传统方案有个致命问题:误报太多。
字体渲染差异、动画时序、随机数据、时间戳——这些都会导致像素差异,但都不是 bug。团队引入视觉回归测试后,往往因为每次 CI 都红、但 90% 是误报,最后干脆关掉。
这个项目的思路是:像素对比只负责"找出哪里不一样",判断"这是不是 bug"交给 AI。
工具返回的不只是差异百分比,而是差异图 + 当前截图 + 区域定位。AI 看到图之后可以判断:
- 差异集中在按钮区域,颜色从绿变红 → 可能是真 bug
- 差异散布全页、每处都是 1-2 像素 → 字体抗锯齿,可忽略
- 差异在时间戳区域 → 动态内容,应该 mask 掉
工具
| 工具 | 说明 |
|---|---|
capture_baseline |
截图并保存为基线。支持全页/元素截图、自定义视口、遮盖动态区域 |
compare_visual |
对当前页面截图并与基线做像素对比,返回统计数据 + 差异图 + 当前截图 |
list_baselines |
列出所有已保存的基线及其截图参数 |
delete_baseline |
删除过期基线(页面有意改版后) |
降低误报的几个设计
这是项目的核心,不是简单调 pixelmatch 就完事:
- 冻结动画 — 注入 CSS 把所有
animation-duration和transition-duration归零,同时隐藏光标。CSS 动画是误报的头号来源。 - 遮盖动态区域 —
maskSelectors参数可以把时间戳、广告位、随机内容用纯色盖住,让这些区域的像素稳定。 - 参数持久化 — 基线保存时把视口尺寸、选择器、等待时间一起存下来,对比时用完全相同的参数重截。参数不一致的对比是无意义的。
- 等待网络空闲 —
waitUntil: "networkidle"加可配置的额外等待,避免图片没加载完就截图。 - 区域定位 — 把画面切成 3×3 网格统计差异分布。"差异集中在顶部导航"和"差异散布全页"含义完全不同,前者可能是布局 bug,后者多半是渲染差异。
- 尺寸不匹配单独处理 — 页面高度变了说明内容增删,
pixelmatch无法对比,此时直接报告尺寸变化而不是崩溃。
安装
git clone <repo-url>/visual-regression-mcp.git
cd visual-regression-mcp
npm install
npx playwright install chromium
npm run build
配置
在 Claude Code 的 MCP 配置中添加:
{
"mcpServers": {
"visual-regression": {
"command": "node",
"args": ["/path/to/visual-regression-mcp/build/index.js"],
"env": {
"VISUAL_BASELINE_DIR": "/path/to/your/baselines"
}
}
}
}
VISUAL_BASELINE_DIR 可选,默认存在 ~/.visual-regression-mcp/baselines/。
使用
配置后重启 Claude Code,直接用自然语言:
帮我给 http://localhost:3000/dashboard 建一个视觉基线,命名 dashboard
(改了代码之后)
对比一下 dashboard 有没有视觉回归
把时间戳区域 .timestamp 遮盖掉再建基线
AI 会调用工具、看差异图、然后告诉你这个差异是不是问题。
输出示例
{
"status": "differences_found",
"name": "dashboard",
"diffPixels": 5107,
"totalPixels": 480000,
"diffPercent": 1.064,
"diffRegions": [
{ "region": "middle-left", "diffPixels": 5107, "percentOfRegion": 9.58 }
],
"note": "Pixel diff found. Inspect the diff image below..."
}
外加两张图:差异图(品红高亮变化像素)和当前截图,供 AI 视觉判断。
技术栈
@modelcontextprotocol/sdk— MCP 协议playwright— 无头浏览器截图pixelmatch+pngjs— 像素级图像对比- TypeScript + ESM
License
MIT
推荐服务器
Baidu Map
百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。
Playwright MCP Server
一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。
Magic Component Platform (MCP)
一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。
Audiense Insights MCP Server
通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。
VeyraX
一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。
graphlit-mcp-server
模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。
Kagi MCP Server
一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。
e2b-mcp-server
使用 MCP 通过 e2b 运行代码。
Neon MCP Server
用于与 Neon 管理 API 和数据库交互的 MCP 服务器
Exa MCP Server
模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。