Omni Parser MCP Server

👁️ OSIRIS：基于视觉的GUI代理（MCP）

奥西里斯是一个 自主计算机使用代理 由 模型上下文协议（MCP）.

与依赖于可访问性API或HTML DOM的标准代理（在传统应用程序、远程桌面和游戏上失败）不同，Osiris使用 净见。它实现了微软的 OmniParser 研究“看到”屏幕，检测可交互元素（按钮、图标、文本字段），并将其映射到像素完美坐标。

它支持LLM（如 双子座闪光)控制 软件 就像人类一样：通过观察和点击。

______________________________________________________________________

🎥 演示

*在这个演示中，Osiris自动打开WhatsApp，搜索特定组，并根据高级自然语言命令发送消息。*

______________________________________________________________________

🧠 运作原理

Osiris基于模块化构建 视觉语言行动 管道：

1. 眼睛（视觉核心）：

- 使用微调 YOLOv8 模型（Microsoft OmniParser）用于检测UI元素。 - 用途 EasyOCR/TrOCR 读取按钮和字段内的文本。 - 将这些合并到一个带有边界框的结构化“UI树”中。

1. 协议（MCP服务器）：

- 揭示视觉逻辑 MCP工具 (parse_screen). - 这允许任何符合MCP的客户端（Claude Desktop、Cursor、自定义代理）立即“插入”视觉功能。

1. 大脑（自主循环）：

- Python代理循环由 双子座闪光. - 它维护操作历史、屏幕状态原因，并通过以下方式执行鼠标/键盘命令 PyAutoGUI.

______________________________________________________________________

📸 可视化调试器

我们包括a 流线型仪表板 以准确可视化AI看到的内容。

*左：原始屏幕截图|右：虹膜检测（红色=图标，绿色=文本按钮）*

______________________________________________________________________

🛠️ 安装

1.克隆存储库

git clone https://github.com/yourusername/osiris.git
cd osiris

2.安装依赖项

我们建议使用虚拟环境。

python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install -r requirements.txt

3.下载型号重量

此脚本从HuggingFace下载OmniParser YOLO权重。

python setup.py

4.配置密钥

在根目录中创建.env文件：

GOOGLE_API_KEY=your_gemini_api_key_here

用法

1.运行自治代理

这开始了循环。系统将提示您输入目标。

python agent.py

示例目标：“打开记事本，键入一首关于人工智能的诗，然后保存。”

2.运行可视化调试器

这运行了一个Streamlit应用程序，可以可视化人工智能的愿景。

streamlit run app.py

3.作为MCP服务器运行

如果您想将Osiris连接到Claude Desktop或其他MCP客户端：

python -m osiris.server

演示

演示视频展示于