PC CONTROL MCP

PC控制MCP服务器

用于AI驱动的PC自动化的通用MCP服务器

可与Claude Code、Cursor、Windsurf和任何兼容MCP的AI助手配合使用。

强大的MCP服务器，用于智能PC控制，使用：

• UI自动化 -按名称单击元素（本机Windows应用程序）
• 浏览器CDP -直接Chrome控件（DOM、元素、JS执行）⭐ 新
• 光学字符识别 -查找/单击屏幕上的任何文本（适用于浏览器！）
• 视觉 -模板匹配、屏幕变化检测
• 快速捕获 -GPU加速截图

为什么这样更好

快速开始

cd claude-pc-mcp
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

增添 ~/.claude.json:

{
  "mcpServers": {
    "claude-pc": {
      "type": "stdio",
      "command": "C:\path\to\claude-pc-mcp\.venv\Scripts\python.exe",
      "args": ["C:\path\to\claude-pc-mcp\run.py"]
    }
  }
}

适用于浏览器CDP（Chrome控件）

使用远程调试启动Chrome：

chrome.exe --remote-debugging-port=9222

或者，为了获得干净的个人资料：

chrome.exe --remote-debugging-port=9222 --user-data-dir=C:\chrome-debug

工具概述

🌐 浏览器控件（CDP）-新增！

最适合：Chrome/Edge浏览器-完全控制网络内容！

🖥️ 原生应用控制（UI自动化）

最适合：Windows原生应用程序（记事本、文件资源管理器等）

🔤 文本/通用控制（OCR）

最适合：任何有可见文本的应用程序（不带CDP的浏览器的回退）

👁️ 视觉工具

用于基于图像的交互和屏幕监控

⌨️ 屏幕和输入

使用示例

🌐 使用CDP实现浏览器自动化（最佳！）

# 1. Connect to Chrome (must be started with --remote-debugging-port=9222)
connect_browser()

# 2. Get ALL interactive elements on the page
get_browser_elements()
# Returns: buttons, links, inputs with EXACT coordinates!

# 3. Click by element text
click_browser_element(text="Sign In", role="button")

# 4. Fill a form
click_browser_element(text="Email")
type_in_browser(text="user@example.com")
click_browser_element(text="Password")
type_in_browser(text="mypassword")
click_browser_element(text="Log In")

# 5. Execute JavaScript
execute_browser_js(script="document.title")
execute_browser_js(script="document.querySelector('#submit').click()")

# 6. Extract page for cloning
get_page_blueprint()
# Returns: HTML, elements, design tokens, colors, fonts!

🖥️ 本地应用程序控制

# Click a button by name
click_element(name="Submit", control_type="button")

# Type into a text field
type_into_element(name="Username", text="myuser")

# Get UI tree to explore
get_ui_tree(depth=3)

🔤 OCR回退（当CDP不可用时）

# Find and click any visible text
click_text(text="Sign In")

# Wait for loading to finish
wait_for_text(text="Loading...", condition="disappear", timeout=30)

何时使用What

需求

• Windows 10/11
• Python 3.10+
• 用于CDP功能的Chrome/Edge（可选）
• 无需管理员权限

依赖项

核心：

• mcp -MCP-SDK
• uiautomation -Windows用户界面自动化
• mss -快速屏幕截图
• pynput -输入模拟
• pywin32 -Windows API

浏览器CDP（新增！）：

• websockets -CDP的WebSocket客户端
• aiohttp -CDP的HTTP客户端

OCR：

• winrt-* -Windows运行时OCR（内置于Windows）

愿景：

• opencv-python -模板匹配
• numpy -图像处理

故障排除

浏览器CDP未连接

• 确保Chrome已启动 --remote-debugging-port=9222
• 检查端口9222是否可用： netstat -an | find "9222"
• 尝试使用干净的配置文件： chrome.exe --remote-debugging-port=9222 --user-data-dir=C:\temp\chrome-debug

get_browser_elements返回空值

• 页面可能仍在加载中-请稍等
• 某些元素可能位于iframe中（尚不支持）
• 检查页面是否使用Shadow DOM（有限支持）

OCR找不到文本

• 确保文本清晰可见（不截断，不太小）
• 尝试 get_screen_text() 查看OCR检测到什么
• 增加目标应用程序中的字体大小

click_element在浏览器中不起作用

• 使用适用于浏览器的CDP工具！ (click_browser_element)
• UI自动化无法查看浏览器内部内容

性能提示

• CDP对浏览器来说是最快的——尽可能使用它！
• 使用 region OCR限制搜索区域的参数
• wait_for_screen_change 比轮询更有效率

更新日志

v0.3.0-浏览器CDP支持

• 新增：完整的Chrome DevTools协议集成
• 新 connect_browser -连接到Chrome
• 新 get_browser_elements -获取所有交互元素
• 新 click_browser_element -按文本/角色/选择器单击
• 新 type_in_browser -在浏览器元素中键入
• 新 execute_browser_js -运行JavaScript
• 新 get_page_blueprint -用于克隆的提取页面
• 新 browser_navigate -导航到URL
• 新 wait_for_browser_element -等待元素

v0.2.0-OCR和视觉

• 添加了用于浏览器文本交互的OCR工具
• 添加了用于模板匹配的视觉工具
• 改进的窗口边界检测