Управление медиаресурсами — это рутинная задача в разработке программного обеспечения, особенно для команд, создающих облачные платформы, сайты электронной коммерции или системы управления контентом. Если вы хоть раз проводили вторую половину дня за загрузкой изображений товаров, их ручной тегированием, изменением размеров для трех разных каналов, а затем повторяли все сначала на следующей неделе, это руководство для вас.
Инструменты искусственного интеллекта, такие как Claude и ChatGPT, могут помочь, но отправка им запросов по одному файлу за раз не масштабируется. Серверы Cloudinary MCP решают эту проблему, предоставляя ИИ-агентам прямой доступ к медиа-API Cloudinary через Model Context Protocol (MCP). Вместо того чтобы вы выступали в роли посредника, ИИ-агент может действовать автономно, вызывая нужные эндпоинты API, принимая решения на основе содержимого изображений и выполняя сложные рабочие процессы с минимальным вмешательством человека.
В этом руководстве рассматриваются шесть реальных автоматизированных рабочих процессов с медиафайлами с использованием ИИ-агентов и Cloudinary MCP. Каждый пример включает точный промпт, вызовы MCP-инструментов, которые ИИ-агент совершает «под капотом», и результат в вашей панели управления Cloudinary. Вы научитесь:
- Загружать и автоматически тегировать изображения с помощью одного промпта.
- Запускать модерацию контента и проверки безопасности для загруженных ресурсов.
- Генерировать варианты изображений для Instagram, мобильных устройств и email.
- Обнаруживать и удалять дубликаты ресурсов с помощью анализа визуального сходства.
- Автоматизировать проверки качества изображений на соответствие пользовательским правилам контроля качества.
- Генерировать и применять структурированные метаданные с помощью ИИ.
Каждый рабочий процесс можно скопировать и запустить в собственной медиабиблиотеке Cloudinary. Экономия времени значительна, особенно для команд, работающих с большими объемами медиаресурсов из нескольких источников данных и рабочих процессов контента.
Перед запуском любого из этих рабочих процессов вам понадобятся:
- Учетная запись Cloudinary (бесплатный тариф подходит для всех примеров).
- Подписка Claude Pro (требуется для функций MCP в приложении Claude Desktop).
- Установленный на вашем компьютере Node.js (требуется для локальных MCP-серверов).
- Установленное и настроенное приложение Claude Desktop.
Вам также потребуется подключить к Claude следующие MCP-серверы. Если вы еще не настроили их, следуйте документации Cloudinary MCP или руководству по установке на GitHub:
Эти серверы доступны как удаленные серверы (хостингуются Cloudinary, установка не требуется) или локальные серверы (запускаются на вашем компьютере через npm). Удаленные серверы рекомендуются для большинства настроек. См. примеры конфигурации для обоих подходов.
Несколько этих рабочих процессов зависят от надстроек Cloudinary на базе ИИ. Эти надстройки используют модели ИИ, обученные для обнаружения объектов, классификации изображений и анализа контента.
Примечание:
Если вы пропустите этот шаг, рабочие процессы автотегирования, модерации контента и анализа изображений завершатся ошибкой.
В вашей панели управления Cloudinary:
- Нажмите значок Add-on Marketplace на боковой панели.
- Выберите All Add-ons.
- Включите следующие функции (все доступны на бесплатном плане): Auto Tagging by Google (используется в Примере 1). Cloudinary AI Vision (используется в Примерах 2, 4, 5, 6). Amazon Rekognition AI Moderation (используется в Примере 2).
- Auto Tagging by Google (используется в Примере 1).
- Cloudinary AI Vision (используется в Примерах 2, 4, 5, 6).
- Amazon Rekognition AI Moderation (используется в Примере 2).
Создайте локальную папку с несколькими тестовыми изображениями. В этом руководстве используется папка с именем cloudinary-mcp-testing, разделенная на подпапки: products, moderation, samples и metadata. Каждая подпапка содержит изображения, используемые в соответствующем рабочем процессе.
Подключив MCP-сервер Filesystem, вы можете попросить Claude подтвердить, что он видит папку:
После завершения всех настроек давайте перейдем к рабочим процессам.
Одной из первых рутинных задач, которые разработчики автоматизируют при управлении ресурсами, является загрузка файлов и применение единообразных тегов утомительна, а непоследовательное тегирование делает расширенный поиск и фильтрацию ненадежными по всей медиабиблиотеке. С помощью Cloudinary MCP ИИ-агент может загрузить файл, проанализировать его и автоматически проставить теги с помощью одной инструкции на естественном языке.
Промпт:
Что происходит:
Claude читает промпт и определяет, какие инструменты MCP использовать. Сначала он вызывает MCP-сервер Filesystem, чтобы найти файл. Затем он вызывает MCP-сервер Asset Management для загрузки изображения в папку products/shoes. Перед выполнением каждого вызова инструмента вы увидите диалоговое окно подтверждения (нажмите «Разрешить» один раз).
Изображение появляется в консоли после успешного выполнения загрузки.
После успешной загрузки ИИ-агент замечает, что массив тегов пуст. Автоматическое тегирование не всегда применяется непосредственно на этапе загрузки, поэтому агент продолжает работу, вызывая MCP-сервер Cloudinary Analysis для запуска Google Auto Tagging для загруженного ресурса. Эта система ИИ анализирует визуальное содержимое изображения и возвращает релевантные теги с оценками достоверности.
Автоматическое тегирование не всегда применяется на самом этапе загрузки, поэтому Claude продолжает работу, вызывая MCP-сервер Analysis для запуска Google Auto Tagging для ресурса.
Он отправляет запрос, обрабатывает результаты и обновляет ресурс новыми тегами.
Результат:
Изображение появляется в вашей медиабиблиотеке Cloudinary по правильному пути к папке с примененными автоматически сгенерированными тегами:
Этот автоматизированный рабочий процесс заменяет три ручных шага (загрузка, анализ, тегирование) одним промптом. Для команд, управляющих каталогами продукции с сотнями артикулов, такое использование ИИ для управления ресурсами дает значительную выгоду только за счет экономии времени.
Модерация контента становится сложной задачей при работе с большой медиабиблиотекой. Многие команды по-прежнему полагаются на ручную проверку или одноразовые скрипты для выявления небезопасного или неприемлемого контента. С помощью Cloudinary MCP ИИ-агент может немедленно проанализировать загруженные ресурсы и вернуть структурированный отчета о модерации, автоматизируя одну из самых повторяющихся задач в управлении цифровыми активами.
Промпт:
Что происходит:
Claude загружает оба изображения.
Затем агент вызывает MCP-сервер Cloudinary Analysis для запуска модерации AI Vision для каждого изображения. Эти технологии ИИ проверяют наличие откровенного контента, насилия, наготы, оружия, символов ненависти и других категорий безопасности, используя обученные модели ИИ для принятия решений с минимальным вмешательством человека.
Результат:
Claude генерирует структурированный отчета о безопасности для каждого изображения. Первое изображение (портрет человека) помечено как БЕЗОПАСНОЕ (SAFE) без обнаружения каких-либо проблем:
Второе изображение (изображающее сценарий конфликта) правильно помечено как «Неприемлемо для работы» (Unsafe for Work) из-за контента, вызывающего эмоциональное расстройство:
Каждый отчета о модерации также включает описание содержимого изображения с помощью AI Vision, результаты обнаружения лиц и анализ текста OCR. Вы можете использовать эти созданные ИИ отчеты для создания автоматизированных шлюзов утверждения в ваших рабочих процессах контента, отмечая ресурсы, требующие проверки человеком перед их публикацией. Для команд, обрабатывающих пользовательский контент или управляющих ресурсами из нескольких источников данных, такой тип автоматизированного принятия решений устраняет серьезное «узкое горлышко».
Подготовка медиаресурсов для разных каналов обычно означает создание нескольких версий одного и того же изображения с разными размерами, кадрированием и уровнями сжатия. Вместо написания пользовательских преобразований изображений или ручного управления пресетами загрузки, ИИ-агент может генерировать каждый оптимизированный вариант по запросу с помощью Cloudinary MCP. Это одно из самых практичных применений ИИ для команд, которые доставляют медиаконтент на веб-сайты, в мобильные приложения, email-рассылки и социальные сети.
Для этого рабочего процесса мы используем public_id изображения обуви, загруженного в Примере 1, и попросим ИИ-агент создать три специфичных для платформ варианта.
Промпт:
Что происходит:
ИИ-агент начинает с получения справочника трансформаций Cloudinary для подтверждения синтаксиса оптимизации изображений. Затем он делает три последовательных вызова API через инструмент Transform-asset сервера Cloudinary Asset Management MCP, по одному для каждого варианта.
Результат:
Все три варианта генерируются автоматически, каждый со своим URL для доставки. Вот результаты:
Вариант 1: Лента Instagram (1080 x 1080)
- Трансформация: c_fill,g_auto,h_1080,w_1080
- Итоговый размер: 50 172 байта (уменьшение на 53,6%)
Вариант 2: Облегченная версия для мобильного интернета (ширина 800 пикселей)
- Трансформация: c_scale,q_50,w_800
- Итоговый размер: 25 096 байт (уменьшение на 76,8%)
Вариант 3: Главное изображение для email-рассылки (ширина 600 пикселей)
- Трансформация: c_scale,f_auto,q_auto,w_600
- Итоговый размер: ~25 000 байт (примерное уменьшение на 54%)
Экономия полосы пропускания составляет от 54% до 77% в зависимости от примененной трансформации изображения. Все три производных ресурса сразу доступны по своим URL для доставки, создавая различные результаты, оптимизированные для каждого канала. Никакого ручного изменения размера изображений, никаких дубликатов файлов, загромождающих вашу медиабиблиотеку.
Большие медиабиблиотеки со временем накапливают похожие ресурсы. Изображения продуктов загружаются дважды с немного отличающимися именами файлов. Маркетинговые команды сохраняют практически идентичные вариации. Ручная проверка на наличие дубликатов изображений — медленная и сложная задача, особенно когда визуальные различия едва заметны. С помощью Cloudinary MCP ИИ-агент может проанализировать визуальные характеристики и определить, являются ли два ресурса точными дубликатами или разными продуктами.
Для этого рабочего процесса мы сравним два похожих изображения электроники:
- electronics-1.jpg
- electronics-duplicate.jpg
Промпт:
Что происходит:
Claude загружает оба изображения:
Затем извлекает детали их ресурсов:
Он выполняет несколько проходов анализа: перцептивное хеширование, визуальный поиск, общий анализ с помощью AI Vision и сравнение метаданных, охватывающее размеры, размеры файлов и данные камеры.
Результат:
Хотя имя файла намекает на то, что electronics-duplicate.jpg может быть копией, Claude правильно определяет, что на двух изображениях показаны разные конфигурации продукта. Оценка сходства составляет 15-20% (низкая), поскольку, хотя на обоих изображен корпус камеры Canon EOS 5D Mark IV, на одном установлен зум-объектив, а на другом — объектив с фиксированным фокусным расстоянием.
Вердикт Claude: НЕ ДУБЛИКАТЫ. Оставить оба. Обоснование включает подробную сравнительную таблицу, показывающую, что корпус камеры идентичен, но объективы представляют собой разные продукты с разными сценариями использования.
Этот рабочий процесс особенно полезен для команд, управляющих каталогами продукции, фотосессиями или большими объемами визуально похожего контента, где по одним только именам файлов нельзя сказать, являются ли ресурсы действительно избыточными.
Для организаций, управляющих тысячами медиаресурсов, обнаружение дубликатов приносит значительную пользу за счет снижения затрат на хранение, повышения точности поиска и помощи контент-менеджерам в поддержании порядка в библиотеках.
Обеспечение качества (QA) — это еще одна область, где команды разработчиков ПО тратят часы на ручную проверку разрешения изображений, артефактов сжатия, форматов файлов и общей пригодности медиафайлов. Без автоматического контроля ваша медиабиблиотека заполняется ресурсами, которые слишком малы, плохо сжаты или имеют неправильный формат. С помощью Cloudinary MCP ИИ-агент может автоматизировать повторяющиеся задачи, такие как проверки качества на соответствие вашим пользовательским правилам, и отмечать все, что не соответствует стандартам.
Для этого рабочего процесса ИИ-агент анализирует каждое изображение в папке образцов на соответствие конкретным требованиям к качеству.
Промпт:
Что происходит:
ИИ-агент перечисляет файлы, загружает каждый из них в Cloudinary, а затем извлекает подробную информацию об активах. Он использует комбинацию инструментов Cloudinary AI Vision, включая анализ качества изображения, общее визуальное распознавание, обнаружение водяных знаков, обнаружение объектов и классификацию контента. Вы также можете настроить уведомления через вебхуки, чтобы предупреждать вашу команду, когда ресурс не проходит проверку качества.
Затем Claude извлекает подробную информацию об активах. Он использует комбинацию инструментов Cloudinary AI Vision, включая анализ качества изображения, общее визуальное распознавание, обнаружение водяных знаков и анализ контента.
Результат:
Claude составляет отчет о проверке качества для каждого изображения с результатами прохождения/непрохождения по каждому правилу.
Изображение 1: Горный пейзаж (прошло все проверки)
Рекомендация Claude: ОСТАВИТЬ. Высококачественное пейзажное изображение, подходящее для веб-сайтов, маркетинга или печати.
Изображение 2: Фотография высокого разрешения (пройдено с примечанием об оптимизации)
Все технические проверки пройдены, но Claude отметил размер файла 1.47 МБ как заслуживающий оптимизации для веб-доставки. Он порекомендовал применить трансформации f_auto/q_auto, чтобы уменьшить размер файла на 30-50% без видимой потери качества.
Рекомендация Claude: ОПТИМИЗИРОВАТЬ. Создать оптимизированные версии с помощью c_scale,w_2000/f_auto/q_auto.
Изображение 3: Небольшой городской пейзаж (не пройден тест на разрешение)
Рекомендация Claude: ОТКЛОНИТЬ ИЛИ ОГРАНИЧЕННОЕ ИСПОЛЬЗОВАНИЕ. Изображение не дотягивает до минимальных требований к разрешению. Оно может подойти для миниатюр, вложений в email или изображений профилей в социальных сетях, но не для главных баннеров или крупных дисплеев.
Этот автоматизированный рабочий процесс контроля качества медиа заменяет ручной осмотр повторяемой оценкой на базе ИИ. Вы один раз задаете правила качества в промпте, и ИИ-агент применяет их последовательно к каждому ресурсу в вашей библиотеке. Вы также можете расширить это с помощью условных правил метаданных, которые автоматически помечают активы как «одобрено» или «требует проверки» на основе результатов контроля качества.
Структурированные метаданные помогают командам более надежно классифицировать, искать и управлять медиаресурсами, особенно в средах с большими каталогами продукции. Без надлежащих полей метаданных поиск нужного ресурса означает прокрутку сотен миниатюр или поиск по имени файла. С помощью Cloudinary MCP ИИ-агент может извлекать метаданные из содержимого изображений и автоматически применять их к каждому активу, превращая вашу медиабиблиотеку в доступную для поиска, хорошо организованную систему управления цифровыми активами без ручного ввода данных.
В этом рабочем процессе используется сервер Cloudinary SMD (Structured Metadata) MCP вместе с сервером Cloudinary Analysis. ИИ-агент обрабатывает все файлы в папке метаданных.
Промпт:
Что происходит:
Claude загружает изображения:
Затем он открывает каждое изображение через MCP-сервер Filesystem для визуального анализа содержимого перед генерацией метаданных. Перед применением агент проверяет, существуют ли уже поля структурированных метаданных в вашей учетной записи Cloudinary (или создает их, если они отсутствуют). После проверки полей AI-агент анализирует каждый актив и применяет обнаруженные значения метаданных. Весь процесс происходит с помощью промптов на естественном языке и вызовов API MCP-сервера, без необходимости ручного ввода данных.
Результат:
AI-агент создает следующие поля структурированных метаданных в вашей учетной записи Cloudinary:
- product_name (Строка): Поле свободного ввода для названия продукта.
- product_category (Перечисление/Выпадающий список): Варианты включают Bags (Сумки), Clothing (Одежда), Shoes (Обувь), Accessories (Аксессуары), Electronics (Электроника).
- product_color (Строка): Поле свободного ввода для описания цвета.
- product_material (Строка): Поле свободного ввода для состава материала.
Для каждого загруженного медиаактива агент заполняет эти поля на основе своего визуального анализа. Например, изображение черной сумки-тоут получает теги product_name: Black Canvas Tote Bag, product_category: Bags, product_color: Black и product_material: Canvas.
Вы можете проверить примененные метаданные в Медиабиблиотеке Cloudinary, нажав на любой актив и открыв панель метаданных. После заполнения полей структурированных метаданных вся ваша медиабиблиотека становится доступной для поиска по типу продукта, цвету, материалу или любому другому определенному вами полю. Это обеспечивает расширенный поиск и фильтрацию, которые невозможны с использованием одних только тегов.
Эти шесть рабочих процессов охватывают задачи управления медиафайлами, которые отнимают больше всего времени у разработчиков, включая загрузку, автодобавление тегов, модерацию контента, многоканальную доставку изображений, обнаружение дубликатов, обеспечение качества и генерацию структурированных метаданных. Каждый из них работает как автономная автоматизация, но истинная ценность ИИ для управления активами проявляется тогда, когда вы объединяете их в сложные рабочие процессы.
Попробуйте объединить рабочие процессы в единый промпт: «Загрузить все изображения в этой папке, выполнить проверки контроля качества, отклонить все размером менее 1200 пикселей, автоматически пометить тегами остальные, применить структурированные метаданные и сгенерировать варианты для Instagram и мобильных устройств для каждого прошедшего проверку актива». Это превращает часы ручного управления медиафайлами в двухминутный разговор с вашим AI-агентом.
Чтобы начать работу с Cloudinary MCP:
- Настройте свою учетную запись Cloudinary и учетные данные API-ключа.
- Подключите MCP-серверы Cloudinary к предпочитаемому AI-агенту (Claude, ChatGPT или любой другой большой языковой модели, совместимой с MCP).
- Выберите один из промптов из этого руководства и запустите его на небольшой партии тестовых изображений.
- Посмотрите результаты на панели управления Cloudinary, а затем масштабируйте процесс.
После настройки AI-агенты могут помочь вам повысить эффективность и управлять вашими медиаактивами с неизменным качеством во всех ваших контент-процессах. Поскольку протокол Model Context Protocol ориентирован в первую очередь на API, Cloudinary MCP естественным образом встраивается в существующие рабочие процессы разработки программного обеспечения и адаптируется к требованиям утверждения контента, метаданных и доставки современных медиапайплайнов. Эти новые инструменты дают разработчикам прямой доступ к управлению активами на базе ИИ без необходимости создания пользовательских интеграций с нуля.
Ресурсы:
- Документация по Cloudinary MCP
- MCP-серверы Cloudinary на GitHub
- Обзор протокола Model Context Protocol
- Маркетплейс дополнений Cloudinary
- Документация Cloudinary
Это зависит от задачи, но большинство рабочих процессов объединяют сервер Filesystem (для доступа к локальным файлам), Asset Management (для загрузки, трансформации и организации) и Analysis (для тегирования и модерации на основе ИИ). Для рабочих процессов со структурированными метаданными также требуется сервер Structured Metadata. В документации по Cloudinary MCP перечислены все доступные серверы и то, за что отвечает каждый из них.
Да. Рабочие процессы автотегирования, модерации контента и анализа изображений зависят от таких дополнений, как Auto Tagging от Google, Cloudinary AI Vision или Amazon Rekognition AI Moderation, которые можно включить в Маркетплейсе дополнений в вашей панели управления Cloudinary. Без их включения вызовы AI-агента для анализа или модерации контента завершатся ошибкой. Полный список и шаги регистрации см. в документации по дополнениям Cloudinary.
AI-агент загружает или ссылается на актив, а затем вызывает инструменты модерации и анализа Cloudinary для проверки на наличие откровенного контента, насилия, оружия, символов ненависти и других категорий безопасности, возвращая структурированный отчет об успешном прохождении/не прохождении проверки. Команды часто используют это для создания автоматических шлюзов утверждения до публикации контента. В документации по дополнению Amazon Rekognition AI Moderation рассматривается один из вариантов модерации, упомянутый в этом рабочем процессе.
Структурированные метаданные — это набор пользовательских полей (таких как название продукта, категория, цвет или материал), привязанных к активу, что делает медиабиблиотеку доступной для поиска по параметрам, выходящим за рамки базовых тегов. AI-агент может проанализировать изображение, извлечь вероятные значения метаданных и применить их напрямую через MCP-сервер Structured Metadata без ручного ввода данных.
