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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00