一行指令，讓 Claude Code 直接呼叫 1000+ AI 生圖模型 — fal.ai MCP 實戰設定
一行指令，讓 Claude Code 直接呼叫 1000+ AI 生圖模型 — fal.ai MCP 實戰設定
「幫我用 FLUX Schnell 生一張貓咪的圖。」
我在 Claude Code 裡打了這句話，0.14 秒後，一張金色陽光灑落窗台、毛茸茸的貓咪照片就出現在對話裡了。沒有寫任何程式碼，沒有開瀏覽器，沒有切到別的工具。就這樣。
這背後的功臣是 fal.ai 的 MCP Server -- 一個託管式的端點，讓 Claude Code 直接搜尋、執行、串接 fal.ai 平台上超過 1,000 個生成式 AI 模型。設定過程？真的只要一行指令。
不過在我順利跑起來之前，踩了好幾個坑。這篇文章會把整個過程攤開來講：從設定到踩坑到實測數據，讓你少走我走過的彎路。
前置條件
開始之前，確認你有這些東西：
- Claude Code v2.1+ （終端機跑
claude --version確認） - fal.ai 帳號 + API Key（免費註冊即可）
- 基本的終端機操作能力
MCP 是什麼？為什麼你該在意？
如果你用過 Claude Code 一陣子，你應該知道它本身不能直接呼叫外部 API。Model Context Protocol（MCP） 是 Anthropic 推出的開放標準，讓 AI 助手能夠以標準化的方式連接外部工具。
你可以把 MCP 想成 AI 世界的 USB-C -- 不管是圖片生成、資料庫查詢還是檔案操作，只要服務商提供 MCP Server，Claude Code 就能直接使用，不需要你寫膠水程式碼。
fal.ai 的 MCP Server 特別之處在於：它是託管式的，你不需要在本機跑任何 server。 一個 URL 加上你的 API Key，就能解鎖整個平台。
設定步驟：真的只要一行
第一步：取得 fal.ai API Key
- 前往 fal.ai Dashboard
- 用 GitHub 或 Google 帳號登入（或註冊新帳號）
- 點擊 Create Key
- 複製生成的 Key（格式類似
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx:xxxxxxxx）
新帳號會有免費額度可以測試，不用先綁信用卡。
第二步：一行指令加入 MCP
打開終端機，執行：
claude mcp add -s user --transport http fal-ai \
https://mcp.fal.ai/mcp \
--header "Authorization: Bearer YOUR_FAL_API_KEY"
把 YOUR_FAL_API_KEY 換成你剛才複製的 Key。
這行指令做了三件事：
-s user：設定為全域（所有專案都能用），不加這個參數的話只有當前專案能用--transport http：指定使用 Streamable HTTP 傳輸協定--header：帶上 Bearer Token 認證
第三步：重啟 Claude Code
exit # 或 /exit
claude # 重新啟動
重啟後輸入 /mcp，你應該會看到 fal-ai 出現在 MCP Server 清單中，狀態顯示為連線中。
就這樣。沒有 npm install，沒有 Docker，沒有設定檔要手動編輯。
九個工具，零設定
fal.ai 的 MCP Server 提供了 9 個工具，Claude Code 會根據你的需求自動選擇：
探索類
| 工具 | 功能 | 使用場景 |
|---|---|---|
search_models |
搜尋 1000+ 模型 | 「有什麼好的影片生成模型？」 |
get_model_schema |
查看模型參數規格 | 「FLUX Pro 支援哪些參數？」 |
get_pricing |
查詢模型定價 | 「生一張圖要多少錢？」 |
search_docs |
搜尋 fal 文件 | 「怎麼用 LoRA？」 |
執行類
| 工具 | 功能 | 使用場景 |
|---|---|---|
run_model |
執行模型（同步） | 快速生成，幾秒內完成 |
submit_job |
提交長時間任務 | 影片生成等耗時任務 |
check_job |
檢查任務狀態 | 追蹤提交的任務 |
輔助類
| 工具 | 功能 | 使用場景 |
|---|---|---|
upload_file |
上傳檔案 | img2img、影片編輯的輸入 |
recommend_model |
推薦模型 | 不確定該用哪個模型 |
你不需要記住這些工具名稱。直接用自然語言跟 Claude Code 說你想做什麼，它會自己挑對的工具。
實測：FLUX Schnell 生成貓咪
說了這麼多，來看實際效果。我在 Claude Code 裡輸入：
「用 fal-ai/flux/schnell 生一張貓咪坐在窗台上的圖」
Claude Code 自動呼叫了 run_model 工具，結果：
{
"status": "completed",
"result": {
"images": [{
"url": "https://v3b.fal.media/files/...",
"width": 1024,
"height": 768,
"content_type": "image/jpeg"
}],
"timings": {
"inference": 0.13861809400259517
}
}
}
0.14 秒生成完成，成本約 $0.003。 圖片品質相當不錯 -- 光影自然、毛髮質感細膩、構圖合理。
這個體驗跟傳統呼叫 API 的差別在於：你完全不需要離開對話。不用開新的 terminal 跑 curl，不用寫 Python script，不用處理 response parsing。Claude Code 把所有事情都包辦了。
更進階的玩法
你還可以在對話中直接串接多個模型：
「用 FLUX Pro 生一張東京街景，然後放大到 4K」
Claude Code 會先呼叫圖片生成模型，拿到結果後再呼叫 upscaling 模型，全程在同一段對話裡完成。
或者比較不同模型的效果：
「分別用 FLUX Schnell 和 Ideogram V3 生成同一個 prompt，讓我比較」
這種工作流在傳統 API 呼叫中要寫不少程式碼，但在 MCP 的框架下就是一句話的事。
踩坑紀錄：我幫你踩過的三個坑
設定過程不是完全順利的。以下是我實際遇到的問題，記錄下來讓你避開。
坑一：Authorization 格式搞錯
fal.ai MCP 要求的認證格式是 Bearer，不是 Key。
# 錯誤 -- 會收到 401 Authentication required
Authorization: Key YOUR_FAL_API_KEY
# 正確
Authorization: Bearer YOUR_FAL_API_KEY
fal.ai 的一般 REST API 使用 Key 前綴，但 MCP Server 使用的是 Bearer。這兩者不一樣，官方文件有明確說明，但如果你是從 REST API 的經驗過來的，很容易搞混。
坑二：專案級 vs 全域設定
claude mcp add 預設會把設定存到當前專案的 .claude.json。這意味著換一個資料夾開 Claude Code，就看不到這個 MCP Server 了。
如果你希望所有專案都能使用，記得加 -s user：
# 只有當前專案能用（預設）
claude mcp add --transport http fal-ai https://mcp.fal.ai/mcp ...
# 所有專案都能用（推薦）
claude mcp add -s user --transport http fal-ai https://mcp.fal.ai/mcp ...
已經設錯了？先移除再重新加：
claude mcp remove fal-ai
claude mcp add -s user --transport http fal-ai https://mcp.fal.ai/mcp \
--header "Authorization: Bearer YOUR_FAL_API_KEY"
坑三：手動編輯 JSON vs CLI 指令
你可能會想直接編輯 ~/.claude/settings.json 來加入 MCP Server。理論上可以，但實際上 type: "url" 的遠端 MCP 設定格式跟 CLI 產生的不太一樣，容易出錯。
強烈建議用 claude mcp add 指令，讓 Claude Code 自己處理設定格式。你只要確認三件事：
- transport 是
http - URL 是
https://mcp.fal.ai/mcp - Header 帶上
BearerToken
可用模型速覽：不只是生圖
fal.ai 上的 1000+ 模型不只是圖片生成。以下是幾個值得關注的類別：
| 類別 | 代表模型 | 大概成本 |
|---|---|---|
| 文字生圖 | FLUX Schnell / Dev / Pro、Ideogram V3、Recraft V3 | $0.003 - $0.08/張 |
| 圖片放大 | Real-ESRGAN、FLUX Upscaler | $0.02 - $0.06/張 |
| 圖片編輯 | FLUX Kontext、Inpainting 模型 | $0.025 - $0.08/張 |
| 文字生影片 | Kling、Hunyuan Video、Mochi | $0.05 - $0.50/次 |
| 語音生成 | TTS 模型 | 依長度計費 |
| 3D 生成 | TripoSR、Stable Zero123 | 依模型而異 |
想知道特定模型的價格？直接問 Claude Code：「FLUX Pro 一張圖多少錢？」它會呼叫 get_pricing 幫你查。
傳統 API 呼叫 vs MCP：工作流對比
graph LR subgraph 傳統方式 A[寫 Python Script] --> B[安裝 SDK] B --> C[處理認證] C --> D[發送 Request] D --> E[解析 Response] E --> F[下載圖片] end
subgraph MCP 方式
G[用自然語言描述需求] --> H[Claude Code 自動呼叫]
H --> I[圖片直接出現在對話中]
end</div>
傳統方式大概要 15-20 行程式碼加上環境設定。MCP 方式是一句話。
這不是說 MCP 可以取代所有 API 呼叫場景 -- 如果你要做批量處理、建立自動化 pipeline、或是整合到現有系統中，直接呼叫 API 還是更合適。但對於探索模型、快速原型、即時生成這類互動式的工作，MCP 的體驗好太多了。
成本控制小提醒
fal.ai 是 pay-per-use 計費，用多少付多少。幾個實用的成本控制技巧：
先查價再跑。 養成習慣，在生成前問一句「這個模型多少錢？」Claude Code 會用 get_pricing 幫你查。
開發階段用便宜模型。 FLUX Schnell 一張才 $0.003，拿來測 prompt 和構圖完全夠用。確定效果後再切到 Pro 或 Max。
留意影片生成成本。 影片模型比圖片貴很多（$0.05-0.50/次），測試時先用短秒數。
帳單管理在 fal.ai Dashboard 可以即時查看。
完整設定速查
怕忘記的話，整個流程濃縮在這裡：
# 1. 取得 API Key
# 前往 https://fal.ai/dashboard/keys 建立
# 2. 一行指令設定（全域）
claude mcp add -s user --transport http fal-ai \
https://mcp.fal.ai/mcp \
--header "Authorization: Bearer YOUR_FAL_API_KEY"
# 3. 重啟 Claude Code
exit
claude
# 4. 驗證
# 輸入 /mcp 確認 fal-ai 已連線
# 試跑：「用 fal-ai/flux/schnell 生一張貓咪」
管理指令：
# 查看已設定的 MCP Server
claude mcp list
# 移除 fal-ai MCP
claude mcp remove fal-ai
寫在最後
回頭看，讓 Claude Code 直接呼叫 AI 生圖模型這件事，技術門檻其實已經低到不可思議了。一行指令、一個 API Key，你就從「需要寫程式碼才能呼叫 API」變成「用自然語言就能生成圖片」。
我自己現在的工作流是這樣的：寫部落格需要配圖時，直接在 Claude Code 裡說「幫我生一張 xxx 風格的圖」，幾秒後圖就出現了。需要比較不同模型的效果？一句話搞定。這種摩擦力趨近於零的體驗，一旦用過就回不去了。
如果你也在用 Claude Code，花兩分鐘設定一下 fal.ai MCP 吧。這大概是投資報酬率最高的兩分鐘了。
延伸閱讀
- fal.ai MCP Server 官方公告 -- 完整功能介紹
- fal.ai MCP 設定文件 -- 官方設定指南（含 Cursor、Windsurf）
- Model Context Protocol 官方網站 -- MCP 協定說明
- fal.ai API Key 管理 -- 建立和管理你的 Key
- fal.ai 模型目錄 -- 瀏覽所有可用模型
- Claude Code MCP 工具整合指南 -- MCP 生態系概覽
本文最初發布於 HackMD @BASHCAT。
留言
張貼留言