推文

@kafkaup · 2026-10-17 02:07

Windows 上做 computer use，大部分方案的第一步是截图，然后让视觉模型去认按钮在哪。Windows-MCP 的做法是跳过这一步，直接问操作系统。 以前要让模型点一个按钮：先截一张屏，发给支持视觉的模型，等它回一个坐标，再祈祷这个坐标没偏。换个 DPI、换个主题，坐标可能就错了。想自动化浏览器更麻烦，页面内容和浏览器自己的标签栏、地址栏在截图里混成一团。 用它之后：它基于 Windows UI Automation 读控件树，拿到的是结构化的窗口和 UI 状态，所以不需要视觉模型，任何 LLM 都能驱动，setup 也少一层。一次动作之间的典型延迟在 0.2 到 0.5 秒。State-Tool 带一个 use_dom=True 模式，只看网页内容、把浏览器外壳过滤掉，Chrome、Edge、Firefox 都支持，Firefox 走的是 IAccessible2 的回退路径。 装法是 uvx windows-mcp serve，直接配进 claude_desktop_config.json 就行；也可以 windows-mcp install 注册成按用户的计划任务，开机自启，日志写在 ~/.windows-mcp 下。支持范围一路到 Windows 7，MIT 许可。 代价要说清楚：需要 Python 3.13 以上，首次安装依赖可能慢到超时，重启一次服务器即可。另外它默认假设系统语言是英文，其他语言环境下作者建议把 App-Tool 关掉。商店版 Claude Desktop 因为 MSIX 沙箱不继承 PATH，得手写 uvx.exe 的绝对路径。 今日 +411 star · Python · 总计 8,310 #MCP #WindowsAutomation https://github.com/CursorTouch/Windows-MCP

曝光 94 · 评论 0 · 点赞 0 · 书签 1