DaVinci Resolve MCP 服务器

“DaVinci Resolve” MCP 服务器的作用是什么？

DaVinci Resolve MCP 服务器是一款集成工具，旨在通过 Model Context Protocol (MCP) 桥接 AI 助手与 DaVinci Resolve 视频编辑软件。作为中间件服务器，它实现了对 DaVinci Resolve 的自动化和 AI 驱动的交互，比如控制编辑动作、查询项目信息或触发导出。开发者和创作者可以借助该服务器，基于程序化方式调用 DaVinci Resolve 强大的编辑能力，提升生产力、自动化重复任务，并与更广泛的 AI 内容生产与管理流程集成。

提示词列表

在仓库中未找到提示模板相关信息。

准备好发展您的业务了吗？

今天开始免费试用，几天内即可看到结果。

申请演示 登录

资源列表

在仓库或文档中未发现显式资源定义。

工具列表

在 resolve_mcp_server.py 或仓库其他处未找到明确工具定义。

加入我们的新闻通讯

免费获取最新提示、趋势和优惠。

电子邮件地址

订阅

该 MCP 服务器的应用场景

• 自动化视频编辑
  利用 AI 智能体编辑视频时间线、应用转场或管理片段，简化常规编辑工作流。
• 项目元数据提取
  查询并收集 DaVinci Resolve 项目的元数据，用于编目、分析或与资产管理系统集成。
• 批量导出自动化
  以编程方式触发和管理媒体导出，实现批量处理和 AI 驱动的导出逻辑。
• 远程协作
  支持远程或自动化智能体与 DaVinci Resolve 项目交互，适用于协作编辑场景。
• 自定义工作流集成
  通过 AI 自动化将 DaVinci Resolve 与外部 API 或工具（如云存储、转录服务）连接。

如何部署

Windsurf

1. 确保已安装 DaVinci Resolve MCP Server 所需的 Python。
2. 克隆仓库：
   git clone https://github.com/samuelgursky/davinci-resolve-mcp.git
3. 安装依赖：
   pip install -r requirements.txt
4. 在 Windsurf 配置（如 windsurf.config.json）中添加服务器：

   {
     "mcpServers": {
       "davinci-resolve": {
         "command": "python",
         "args": ["resolve_mcp_server.py"]
       }
     }
   }
   

5. 保存配置并重启 Windsurf，验证服务器连接。

Claude

1. 确保你的系统中已安装 Python。
2. 按上述方法克隆仓库并安装依赖。
3. 打开 Claude 的 MCP 配置文件。
4. 添加 DaVinci Resolve MCP 服务器：

   {
     "mcpServers": {
       "davinci-resolve": {
         "command": "python",
         "args": ["resolve_mcp_server.py"]
       }
     }
   }
   

5. 保存并重启 Claude，然后验证连接。

Cursor

1. 确认 Python 及 DaVinci Resolve MCP Server 依赖。
2. 下载或克隆 MCP 服务器仓库。
3. 打开 Cursor 的 MCP 服务器配置文件。
4. 添加如下内容：

   {
     "mcpServers": {
       "davinci-resolve": {
         "command": "python",
         "args": ["resolve_mcp_server.py"]
       }
     }
   }
   

5. 保存并重启 Cursor。

Cline

1. 安装所有前置条件（Python，仓库依赖）。
2. 克隆仓库。
3. 打开 Cline 的 MCP 服务器配置。
4. 添加服务器：

   {
     "mcpServers": {
       "davinci-resolve": {
         "command": "python",
         "args": ["resolve_mcp_server.py"]
       }
     }
   }
   

5. 保存文件并重启 Cline。

保护 API 密钥

对于敏感环境变量（如 API 密钥），请在配置中使用 env 和 inputs 键，如下所示：

{
  "mcpServers": {
    "davinci-resolve": {
      "command": "python",
      "args": ["resolve_mcp_server.py"],
      "env": {
        "API_KEY": "${API_KEY}"
      },
      "inputs": {
        "api_key": "${API_KEY}"
      }
    }
  }
}

如何在 FlowHunt 流程中使用 MCP

在 FlowHunt 中集成 MCP

要在 FlowHunt 工作流中集成 MCP 服务器，首先在流程中添加 MCP 组件，并将其连接到你的 AI 智能体：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，使用如下 JSON 格式填入你的 MCP 服务器信息：

{
  "davinci-resolve": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

配置完成后，AI 智能体即可将该 MCP 作为工具，获得其全部功能。请记得将 “davinci-resolve” 替换为你的 MCP 服务器实际名称，并将 URL 更换为你自己的 MCP 服务器地址。

概览

Roots 支持：⛔ 未提及
采样支持：⛔ 未提及

根据现有信息和文档完整性，我对该 MCP 服务器的评分为 4 分（满分 10 分）。虽然部署说明清晰且用例有描述，但缺乏资源、工具和提示词的文档，减少了其对希望即插即用的开发者的实用性。

MCP 评分