[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-how-to-use-roboflow-mcp-in-claude-code-zh":3,"article-related-how-to-use-roboflow-mcp-in-claude-code-zh":30,"series-ai-agent-91b985e1-7bbe-4607-9ac7-0692f3ab43ad":83},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"91b985e1-7bbe-4607-9ac7-0692f3ab43ad","how-to-use-roboflow-mcp-in-claude-code-zh","怎麼用 Roboflow MCP 搭 Claude Code","\u003Cp data-speakable=\"summary\">這篇教你在 \u003Ca href=\"\u002Ftag\u002Fclaude-code\">Claude Code\u003C\u002Fa> 內連接 Roboflow \u003Ca href=\"\u002Ftag\u002Fmcp\">MCP\u003C\u002Fa>，從終端機建立專案、上傳影像、訓練模型，並執行 computer vision Workflow。\u003C\u002Fp>\u003Cp>這篇給想把 Roboflow 視覺專案搬到終端機管理的\u003Ca href=\"\u002Fnews\u002F5-mcp-zh\">開發者\u003C\u002Fa>看。你不需要在瀏覽器、\u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 文件和自寫腳本之間來回切換，照著做就能把 \u003Ca href=\"\u002Ftag\u002Fclaude\">Claude\u003C\u002Fa> Code 接上 Roboflow MCP，完成上傳、訓練與 Workflow 執行。\u003C\u002Fp>\u003Cp>照完這份指南，你會拿到一個可用的 Roboflow workspace、已訓練的偵測模型，以及一套可重複\u003Ca href=\"\u002Fnews\u002Fgithub-mcp-server-turns-ai-into-repo-ops-zh\">操作\u003C\u002Fa>的終端機流程，之後可直接用 Claude Code 查詢與跑影像 Workflow。\u003C\u002Fp>\u003Ch2>開始之前\u003C\u002Fh2>\u003Cul>\u003Cli>Roboflow 帳號與 Private API key\u003C\u002Fli>\u003Cli>Claude Pro 或 Claude Max，且可使用 Claude Code\u003C\u002Fli>\u003Cli>Windows PowerShell、macOS Terminal 或 Linux shell\u003C\u002Fli>\u003Cli>Node 20+\u003C\u002Fli>\u003Cli>至少 50 張 JPG 或 PNG 影像\u003C\u002Fli>\u003Cli>可選：YOLO 或 COCO 格式標註檔\u003C\u002Fli>\u003C\u002Ful>\u003Cp>先把影像整理到同一個資料夾，並確認有不同光線、距離與角度的樣本。第一版模型是否好用，通常就取決於這一步。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779508561046-side.png\" alt=\"怎麼用 Roboflow MCP 搭 Claude Code\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>也先準備好 Roboflow workspace，因為你等一下要從儀表板複製 API key，貼進 MCP 連線指令。\u003C\u002Fp>\u003Ch2>Step 1: 安裝 Claude Code\u003C\u002Fh2>\u003Cp>目的：取得能在終端機中呼叫 Roboflow MCP 的本地客戶端。\u003C\u002Fp>\u003Cp>先安裝 Claude Code，再確認指令已經進入 shell 路徑。\u003C\u002Fp>\u003Cpre>\u003Ccode>irm https:\u002F\u002Fclaude.ai\u002Finstall.ps1 | iex\nclaude --version\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>安裝完成後，Claude Code 會引導你登入 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 帳號。當版本指令回傳字串時，就代表安裝成功。\u003C\u002Fp>\u003Cp>你應該看到 Claude Code 的版本輸出，這表示 CLI 可以正常啟動。\u003C\u002Fp>\u003Ch2>Step 2: 連接 Roboflow MCP 伺服器\u003C\u002Fh2>\u003Cp>目的：把 Roboflow 註冊成 Claude Code 裡的 MCP 工具來源。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779508560008-54xc.png\" alt=\"怎麼用 Roboflow MCP 搭 Claude Code\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>先從 Roboflow 儀表板複製 Private API key，再用 HTTP transport 加入 MCP 伺服器。\u003C\u002Fp>\u003Cpre>\u003Ccode>claude mcp add roboflow `\n  --transport http https:\u002F\u002Fmcp.roboflow.com\u002Fmcp `\n  --header \"x-api-key: YOUR_ROBOFLOW_API_KEY\" `\n  --header \"Accept: application\u002Fjson, text\u002Fevent-stream\"\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>把 placeholder 換成真實 API key，接著驗證連線狀態。\u003C\u002Fp>\u003Cpre>\u003Ccode>claude mcp list\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>你應該看到 \u003Ccode>roboflow\u003C\u002Fcode> 出現在已連線的 MCP server 清單中。這代表 Claude Code 已經能呼叫 Roboflow 的專案建立、上傳、訓練與 Workflow 工具。\u003C\u002Fp>\u003Cp>如果清單裡沒有它，先回頭檢查 API key 與 MCP URL 是否完全正確。能列出來，就是連線已通。\u003C\u002Fp>\u003Ch2>Step 3: 建立專案並上傳影像\u003C\u002Fh2>\u003Cp>目的：在 Roboflow 建立新專案，並把資料集從終端機送進去。\u003C\u002Fp>\u003Cp>先在專案資料夾啟動 Claude Code，然後請它建立一個 object detection 專案。\u003C\u002Fp>\u003Cpre>\u003Ccode>mkdir d:\\projects\\bird-monitor\ncd d:\\projects\\bird-monitor\nclaude\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>進入 Claude 後，直接要求它列出 workspace 並建立專案，例如：列出我的 Roboflow workspaces，然後在預設 workspace 建立名為 \u003Ccode>bird-species-monitor\u003C\u002Fcode> 的 object detection project。\u003C\u002Fp>\u003Cp>接著把影像壓成 ZIP，再透過 MCP 工具上傳。Claude Code 可以呼叫上傳準備工具，送出 ZIP，並輪詢完成狀態。\u003C\u002Fp>\u003Cpre>\u003Ccode>Compress-Archive -Path \"d:\\projects\\bird-monitor\\images\\*\" -DestinationPath \"d:\\projects\\bird-monitor\\birds.zip\"\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>你應該看到 Claude 回傳專案 ID 或專案名稱，接著出現上傳完成與影像數量。這表示資料集已經到 Roboflow。\u003C\u002Fp>\u003Cp>如果數量比預期少，通常是 ZIP 裡面有太深的巢狀資料夾。改成頂層直接放圖片，再重打一次壓縮檔。\u003C\u002Fp>\u003Ch2>Step 4: 標註資料並建立版本\u003C\u002Fh2>\u003Cp>目的：完成標註，並產出可訓練的資料版本快照。\u003C\u002Fp>\u003Cp>打開 Roboflow 的標註介面，替每張鳥類影像畫 bounding box，填入正確物種標籤，然後把標註好的圖片加入資料集，並設定 train、valid、test 切分。\u003C\u002Fp>\u003Cp>標籤存好後，回到 Claude Code，請它用你要的 resize 與 augmentation 設定建立 dataset version。\u003C\u002Fp>\u003Cpre>\u003Ccode>Generate a dataset version for bird-species-monitor with 512x512 resize, horizontal flip, and vertical flip augmentation.\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>你應該看到版本號。這個版本號會是後續訓練與 Workflow 設定的輸入。\u003C\u002Fp>\u003Cp>如果版本沒有成功建立，先確認標註影像已經加入資料集。Roboflow 需要先有標籤，才能快照成可用版本。\u003C\u002Fp>\u003Ch2>Step 5: 訓練模型並建立 Workflow\u003C\u002Fh2>\u003Cp>目的：用版本化資料集訓練偵測器，並把它暴露成 Roboflow Workflow。\u003C\u002Fp>\u003Cp>請 Claude Code 用剛建立的版本開始訓練，並指定你要的模型家族。這個範例使用 RF-DETR Small。\u003C\u002Fp>\u003Cpre>\u003Ccode>Train a model on version 2 of the bird-species-monitor project in my workspace using RF-DETR Small.\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>訓練啟動後，Claude Code 應該回傳訓練工作參考或狀態訊息。你會看到 queued 或 in-progress，這代表\u003Ca href=\"\u002Fnews\u002Fwhy-webassembly-reshaping-cloud-computing-2026-zh\">雲端\u003C\u002Fa>訓練已開始。\u003C\u002Fp>\u003Cp>訓練完成後，請 Claude 列出可用的 Workflow blocks、檢視 Workflow 定義，或建立一個新 Workflow，讓完成的 detector 可以處理輸入影像。接著用一張測試圖跑 Workflow inference。\u003C\u002Fp>\u003Cp>你應該看到 Workflow 回傳鳥類偵測結果。這就是 MCP 已連上、模型已訓練、而且整條 pipeline 能從終端機呼叫的證明。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>基準／優化前\u003C\u002Fth>\u003Cth>結果／優化後\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>手動切換工具\u003C\u002Ftd>\u003Ctd>瀏覽器、文件、腳本來回切換\u003C\u002Ftd>\u003Ctd>單一 Claude Code 會話即可操作 MCP\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Workflow 建置\u003C\u002Ftd>\u003Ctd>自行撰寫 API 腳本\u003C\u002Ftd>\u003Ctd>可用自然語言建立與檢視 Workflow\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>資料集上傳\u003C\u002Ftd>\u003Ctd>手動透過瀏覽器上傳\u003C\u002Ftd>\u003Ctd>可從終端機打包、上傳與輪詢狀態\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>常見錯誤\u003C\u002Fh2>\u003Cul>\u003Cli>API key 用錯：要用 Roboflow 的 Private API key，不是公開 token。若 MCP 連不上，重新貼一次 key，然後再跑 \u003Ccode>claude mcp list\u003C\u002Fcode>。\u003C\u002Fli>\u003Cli>ZIP 結構太亂：圖片最好放在頂層或單一資料夾。若 Roboflow 沒吃進任何影像，重新打包成更簡單的目錄結構。\u003C\u002Fli>\u003Cli>先訓練才標註：一定要先完成標籤並加入資料集。若版本建立失敗，先回標註介面確認圖片已加入資料集。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>另一個常見問題是版本號寫錯。如果 Claude 訓練到錯的版本，請在 prompt 裡直接寫明版本號，讓工具呼叫對準正確快照。\u003C\u002Fp>\u003Ch2>接下來可以看什麼\u003C\u002Fh2>\u003Cp>接下來可以把同一套 MCP 設定延伸到既有 Workflows 的檢視、pipeline blocks 更新，以及新影像批次的自動推論檢查。下一步最實用的主題，是把你訓練好的 detector 接到 camera feed 或 batch job，讓 Roboflow MCP 變成可重複執行的 vision ops 流程。\u003C\u002Fp>","這篇教你在 Claude Code 內連接 Roboflow MCP，從終端機建立專案、上傳影像、訓練模型，並執行 computer vision Workflow。","blog.roboflow.com","https:\u002F\u002Fblog.roboflow.com\u002Fcomputer-vision-mcp\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779508561046-side.png","ai-agent","zh","f497b691-66dd-48f8-8a00-7a7590d1bb0b",[17,18,19,20,21],"Roboflow MCP","Claude Code","computer vision","Workflow","object detection",[23,24,25],"先用 claude mcp add 把 Roboflow 接進 Claude Code，再用 claude mcp list 驗證連線。","資料集流程是先上傳影像、再標註、再建立版本，順序不能反過來。","訓練完成後可直接在終端機檢視與執行 Roboflow Workflow。",8,"2026-05-23T03:55:34.622394+00:00","2026-05-23T03:55:34.561+00:00","e3b68196-9e64-4c18-a3b6-a73e73bfb367",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":18,"slug":33},"claude-code",{"name":21,"slug":35},"object-detection",{"name":17,"slug":37},"roboflow-mcp",{"name":39,"slug":39},"workflow",{"name":19,"slug":41},"computer-vision",{"id":15,"slug":43,"title":44,"language":45},"how-to-use-roboflow-mcp-in-claude-code-en","How to use Roboflow MCP in Claude Code","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"ef96a410-24bd-4e35-8536-439f21f820e6","claude-code-dynamic-workflow-ai-harness-zh","Claude Code 動態工作流：AI 自寫 Harness","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781035378200-qkm9.png","2026-06-09T20:02:21.942031+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"9fb91fbe-64cd-4732-aba7-5b20daacf962","agent-orchestration-enterprise-ai-layer-zh","企業 AI 缺的是編排層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780984981291-rodj.png","2026-06-09T06:02:30.929215+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"2e389faa-a4ab-4f7a-b6da-c2ba69d5f14b","ai-agents-use-blockchain-trust-layer-zh","AI 代理用區塊鏈當信任層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780980509390-6s0i.png","2026-06-09T04:48:01.259033+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"1c433948-634b-47e4-a119-dd567203a712","8-rag-patterns-demos-into-prod-zh","8 種 RAG 模式把 Demo 變上線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780971552397-h12o.png","2026-06-09T02:18:36.130013+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"7d860405-aca6-486b-8de0-1c5193a3b06d","fine-tuning-beats-rag-style-not-facts-zh","當目標是文風不是事實時，微調比 RAG 更有效","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780924689232-5elu.png","2026-06-08T13:17:25.235242+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"3d1e5ef7-8f31-4e57-b286-306825d7f38e","openclaw-small-business-ai-staff-zh","OpenClaw把AI變成夜班員工","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780904888882-6w0v.png","2026-06-08T07:47:27.229503+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","2026-03-28T03:15:27.513155+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","2026-04-01T09:24:39.321274+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"f2ca7720-b471-4ce5-9336-2a9ac2a876fd","amazon-bedrock-agents-multi-agent-workflows-zh","Amazon Bedrock Agents 進入多代理工作流","2026-04-01T09:30:29.945429+00:00"]