MCP-протокол плюс OpenCV и FFmpeg: ИИ-ассистент работает с камерой в 15 МБ памяти

Проект media-mcp-server, описанный разработчиком библиотек Delphi-OpenCV5, Delphi-FFmpeg и Delphi-ONVIF, объединяет три вещи: прямой импорт классов OpenCV 4/5 из C++ DLL в Object Pascal, обработку видеопотоков через FFmpeg и обнаружение IP-камер по протоколу ONVIF. Результат компилируется в один исполняемый файл MediaMCPServer.exe с несколькими DLL рядом. Ни виртуальных окружений, ни вызовов pip install, ни папки node_modules на гигабайт.

Что понадобится?

• Delphi (Object Pascal) с поддержкой Custom Managed Records
• OpenCV 5.0 (DLL для Windows x64), проект Delphi-OpenCV5
• FFmpeg (DLL), обёртка Delphi-FFmpeg
• Delphi-ONVIF для работы с сетевыми камерами
• Windows (хост) плюс, при необходимости, WSL для ИИ-клиента на стороне Linux
• ИИ-клиент с поддержкой MCP-протокола (например, Claude Desktop, Cursor или любой агент, умеющий вызывать tools/list и tools/call по JSON-RPC)
• Примерно 2 до 4 часов на сборку и настройку, если Delphi-среда уже установлена

Как собрать и запустить сервер за шесть шагов?

1. Клонируйте репозитории Delphi-OpenCV5, Delphi-FFmpeg и Delphi-ONVIF. Положите DLL-файлы OpenCV и FFmpeg рядом с будущим исполняемым файлом.

2. Откройте проект media-mcp-server в Delphi. Убедитесь, что пути к модулям (uMCPHttpServer.pas и остальным юнитам) прописаны корректно.

3. Скомпилируйте проект под Windows x64. На выходе получите MediaMCPServer.exe. Проверьте, что рядом лежат все нужные DLL.

4. Выберите транспорт. Рекомендуется Streamable HTTP: сервер стартует как самостоятельный процесс и слушает заданный порт. Транспорт stdio (стандартные потоки ввода-вывода) оставлен для совместимости, но на практике ненадёжен: библиотеки OpenCV и FFmpeg иногда пишут отладочные сообщения прямо в stdout, и этот мусор ломает парсер JSON-RPC на стороне клиента.

5. Запустите сервер:

MediaMCPServer.exe --transport http --port 8080

В режиме ожидания сервер занимает 12 до 15 МБ RAM. При обработке кадров память расходуется только под структуры TMat (обёртка для cv::Mat из OpenCV) внутри C++ DLL.

1. Подключите ИИ-клиент. Укажите адрес сервера в настройках MCP-протокола вашего агента. Клиент отправляет запрос tools/list, получает список доступных функций (захват кадра с веб-камеры, нарезка видео, распознавание объектов), затем вызывает нужную через tools/call с параметрами в формате JSON.

Почему stdio-транспорт не подошёл?

Разработчик столкнулся с тремя конкретными проблемами. Библиотеки FFmpeg и OpenCV при внутренних предупреждениях пишут сообщения прямо в stdout, что ломает JSON-RPC-парсер клиента и вызывает аварийное завершение сессии. Стандартная функция Readln в Delphi буферизует ввод и зависает, когда разделитель строк не совпадает с ожидаемым. И главное: stdio не работает через границу виртуализации, например, когда ИИ-клиент запущен в WSL Linux, а сервер с физическими USB-камерами и видеокартами с CUDA работает на хост-системе Windows.

Streamable HTTP решает все три проблемы: сервер изолирован как отдельный процесс, слушает порт, поддерживает сессии через заголовок Mcp-Session-Id и отдаёт ответы в реальном времени.

Что с этого вам прямо сейчас?

Разработчику на Delphi или C++: готовая архитектура для создания MCP-сервера с нативным доступом к камерам и видео. Не нужен Python, не нужен Node.js. Один exe, минимальный расход памяти, прямая работа с кадрами в общей памяти процесса.

Автору на Дзене, который пишет про технологии: MCP-протокол стремительно становится стандартом подключения внешних инструментов к ИИ-агентам. Понимание того, как он работает на практике, даёт вам тему для серии материалов, которые пока почти никто не освещает на русском языке.

Предпринимателю, которому нужно видеонаблюдение с ИИ: коммерческие платформы вроде Lumana или Spot AI стоят денег и привязывают к вендору. Если в команде есть Delphi-разработчик, описанный подход позволяет собрать собственное решение на своём железе, под своим контролем.

Для тех, кто работает в РФ: все компоненты (Delphi, OpenCV, FFmpeg) доступны и работают без ограничений. Облачные MCP-серверы от Anthropic или OpenAI могут быть недоступны, но описанный сервер работает полностью локально.

Для тех, кто хочет попробовать: начните с простого, соберите сервер, подключите одну веб-камеру и попросите ИИ-ассистента описать кадр. Это займёт вечер и покажет, стоит ли вкладываться в полноценную интеграцию с RTSP-потоками и ONVIF-сканированием сети.