能力标签

🔌

MCP工具

达芬奇解析

基于 Python · 让 AI 助手直接操作你的系统与工具

英文名：dvr

⭐ 10 Stars 🍴 2 Forks 💻 Python 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

mcpautomationblackmagicpython

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

✦ AI Skill Hub 推荐

AI Skill Hub 强烈推荐：达芬奇解析是一款优质的MCP工具。AI 综合评分 8.0 分，在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案，这是一个值得深入了解的选择。

📚 深度解析

达芬奇解析是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装达芬奇解析，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。达芬奇解析提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将达芬奇解析评为 AI 评分 8.0 分，属于同类工具中的优质选择。

📋 工具概览

达芬奇解析是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 10

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

MCP工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/mhadifilms/dvr

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "-----": {
      "command": "npx",
      "args": ["-y", "dvr"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 达芬奇解析 执行以下任务...
Claude: [自动调用 达芬奇解析 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "_____": {
      "command": "npx",
      "args": ["-y", "dvr"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 58/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

Requirements

Python 3.10+ (matches Resolve's embedded Python on current versions)
DaVinci Resolve Studio 18.5+ — external scripting is a Studio-only feature. Blackmagic Design sells Studio as a one-time $295 perpetual license or via Blackmagic Cloud at $30/month per seat.
macOS, Windows, or Linux

dvr auto-discovers Resolve's scripting library on each platform. No environment variables needed for typical installs.

The free edition of DaVinci Resolve cannot be scripted from outside the app (Blackmagic restricted this in v19.1+). If you're evaluating dvr without Studio, use --dry-run flags on apply and explore the schema/inspection commands — they work without a live connection.

Install

Channel	Command
Homebrew (macOS / Linux)	`brew install mhadifilms/tap/dvr`
PyPI	`pip install dvr`
pipx	`pipx install dvr`
uv	`uv tool install dvr`
From source	`git clone https://github.com/mhadifilms/dvr && cd dvr && pip install -e ".[dev]"`

Optional extras

pip install "dvr[docs]"           # docs site dependencies
pip install "dvr[dev]"            # dev (ruff, mypy, pytest)

MCP support is included in the default install.

Five things that make it fundamentally better than the raw DaVinci Resolve scripting API

One inspect() call replaces ten API calls. Full structured state in a single round-trip.
Idempotent operations. project.ensure(), timeline.ensure(), bin.ensure() — re-run anything safely.
Decoded errors. Every failure carries cause, fix, and state. No more None.
Declarative specs. dvr apply project.dvr.yaml reconciles state. kubectl apply for DaVinci.
Persistent connection. dvr serve keeps Resolve warm — sequential commands run in <100ms.

FAQ

How do I script DaVinci Resolve from Python? Install dvr (pip install dvr) and use the typed from dvr import Resolve library, or run the dvr CLI. It auto-connects to Resolve, handles the macOS LAN-IP quirk, and returns structured objects instead of None.

Is there a DaVinci Resolve MCP server? Yes. dvr mcp serve runs a Model Context Protocol (MCP) server that exposes 39+ typed tools, so LLM agents can automate DaVinci Resolve without parsing shell output. See docs/mcp.md.

Does dvr work with Claude and Cursor? Yes. Run dvr mcp install-claude or dvr mcp install-cursor for one-shot setup. Any MCP-compatible AI agent or LLM client can drive Resolve through the same typed tools.

Can I automate DaVinci Resolve rendering and exports from the command line? Yes. dvr render submit --preset delivery --wait --stream renders from the CLI with streaming JSON progress, and dvr exports EDL / AAF / FCPXML / OTIO interchange formats.

How is dvr different from the raw DaVinci Resolve scripting API? It adds a clean object model, idempotent operations (ensure), decoded errors with cause/fix/state, declarative YAML specs (dvr apply), a persistent connection daemon, and an MCP server — replacing dozens of fragile Get*() calls that silently return None.