MCPControl 的安装和配置教程
项目基础介绍
MCPControl 是一个开源项目,用于通过 Model Context Protocol (MCP) 实现对 Windows 操作系统的程序化控制。该项目为开发者提供了一个桥接 AI 模型与桌面操作的工具,支持鼠标、键盘、窗口管理、屏幕捕获以及剪贴板操作等功能。MCPControl 目前仅支持 Windows 系统。
主要编程语言:JavaScript (Node.js)
项目使用的关键技术和框架
- Node.js:JavaScript 的运行环境,用于执行服务器端代码。
- Express:一个灵活的 Node.js Web 应用框架,用于创建 HTTP 服务器。
- Socket.IO:用于实现实时、双向和基于事件的通信。
- HTTPS:安全的 HTTP,用于在网络中加密通信。
准备工作
在开始安装 MCPControl 之前,请确保您的系统已经安装了以下软件:
- Python(用于 node-gyp,如果尚未安装)
- Node.js(最新 LTS 版本)
- Microsoft Visual Studio Build Tools(包括 VC++ 工作负载)
安装步骤
安装 Python
打开 PowerShell 或命令提示符,执行以下命令安装 Python:
winget install Python.Python.3.12
安装 Node.js
同样在 PowerShell 或命令提示符中,执行以下命令安装 Node.js:
winget install OpenJS.NodeJS
安装 MCPControl 包
安装 Node.js 后,使用 npm(Node.js 的包管理器)全局安装 MCPControl:
npm install -g mcp-control
配置 MCPControl
MCPControl 在 1280x720 分辨率的虚拟机中表现最佳,以便于点击的准确性。配置您的 Claude 客户端以通过 SSE(Server-Sent Events)传输连接到 MCPControl。
选项 1:直接 SSE 连接
若要连接到在虚拟机或远程机器上运行的 MCPControl 服务器,请使用以下配置:
{
"mcpServers": {
"MCPControl": {
"transport": "sse",
"url": "http://192.168.1.100:3232/mcp"
}
}
}
将 192.168.1.100:3232 替换为您的服务器 IP 地址和端口。
选项 2:本地启动与 SSE
若要在本地启动 MCPControl 并使用 SSE 传输,请使用以下配置:
{
"mcpServers": {
"MCPControl": {
"command": "mcp-control",
"args": ["--sse"]
}
}
}
启动服务器
首先,在您的虚拟机或本地机器上启动 MCPControl 服务器:
mcp-control --sse
服务器将显示以下信息:
- 可用的网络接口及其 IP 地址
- 端口号(默认:3232)
- 连接状态消息
按照上述步骤操作后,MCPControl 将可在您的 Claude 客户端中使用。请注意,出于安全考虑,当远程访问时,必须使用 HTTPS/TLS 加密传输。
以上步骤即为 MCPControl 的详细安装和配置指南,按照这些步骤操作,您应该能够成功安装并配置 MCPControl。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03