OmniMCP

OmniMCP

OmniMCP proporciona un contexto de interfaz de usuario completo y capacidades de interacción a los modelos de IA mediante el Protocolo de Contexto de Modelo (MCP) y Microsoft/OmniParser . Se centra en facilitar una comprensión profunda de las interfaces de usuario mediante el análisis visual, la planificación estructurada y la ejecución precisa de las interacciones.

Características principales

• Percepción visual: comprende los elementos de la interfaz de usuario mediante OmniParser.
• Planificación LLM: planifica las próximas acciones en función del objetivo, el historial y el estado visual.
• Agente Ejecutor: Orquesta el ciclo percibir-planificar-actuar ( omnimcp/agent_executor.py ).
• Ejecución de la acción: controla el mouse/teclado a través de pynput ( omnimcp/input.py ).
• Interfaz CLI: punto de entrada simple ( cli.py ) para ejecutar tareas.
• Implementación automática: implementación opcional del servidor OmniParser en AWS EC2 con apagado automático.
• Depuración: genera registros visuales con marca de tiempo por paso.

Descripción general

cli.py usa AgentExecutor para ejecutar un bucle de percepción-planificación-acción. Captura la pantalla ( VisualState ), planifica usando un LLM ( core.plan_action_for_ui ) y ejecuta acciones ( InputController ).

Población

• Acción real (Calculadora): python cli.py abre la Calculadora y calcula 5*9.
• Interfaz de usuario sintética (Inicio de sesión): python demo_synthetic.py utiliza imágenes generadas (sin E/S real). (Nota: Refactorización pendiente para usar AgentExecutor).

Prerrequisitos

• Python >=3.10, <3.13
• uv instalado ( pip install uv )
• Requisitos de ejecución de Linux: Requiere una sesión gráfica activa (X11/Wayland) para pynput . Puede requerir bibliotecas del sistema ( libx11-dev , etc.); consulte la documentación pynput .

(Las dependencias de escala de pantalla de macOS se manejan automáticamente durante la instalación).

Para funciones de implementación de AWS

Requiere credenciales de AWS en .env (consulte .env.example ). Advertencia: Crea recursos de AWS (EC2, Lambda, etc.) con costos. Use python -m omnimcp.omniparser.server stop para limpiar.

Instalación

Inicio rápido

Asegúrese de que el entorno esté activado y que .env esté configurado.

Las salidas de depuración se guardan en runs/<timestamp>/ .

Nota sobre el servidor MCP: existe un servidor MCP experimental (clase OmniMCP en omnimcp/mcp_server.py AgentExecutor pero está separado del flujo de trabajo principal cli.py .

Arquitectura

1. CLI ( cli.py ): punto de entrada, configuración, inicia el ejecutor.
2. Agente Ejecutor ( omnimcp/agent_executor.py ): orquesta el bucle y administra el estado y los artefactos.
3. Visual State Manager ( omnimcp/visual_state.py ): Percepción (captura de pantalla, analizador de llamadas).
4. OmniParser Client & Deploy ( omnimcp/omniparser/ ): administra la comunicación/implementación del servidor OmniParser.
5. LLM Planner ( omnimcp/core.py ) - Genera un plan de acción.
6. Controlador de entrada ( omnimcp/input.py ): ejecuta acciones (mouse/teclado).
7. (Opcional) Servidor MCP ( omnimcp/mcp_server.py ): interfaz MCP experimental.

Desarrollo

Configuración y comprobaciones del entorno

Soporte de depuración

Al ejecutar python cli.py se guardan las ejecuciones con marca de tiempo en runs/ , incluidos:

• step_N_state_raw.png
• step_N_state_parsed.png (con cuadros de elementos)
• step_N_action_highlight.png (con resaltado de acción)
• final_state.png

Los registros detallados se encuentran en logs/run_YYYY-MM-DD_HH-mm-ss.log (se recomienda LOG_LEVEL=DEBUG en .env ).

(Nota: Los detalles como tiempos, conteos, direcciones IP, ID de instancias y planes específicos variarán)

Hoja de ruta y limitaciones

Limitaciones clave y áreas de trabajo futuras:

• Rendimiento: reduzca la latencia de OmniParser (explore modelos locales, almacenamiento en caché, etc.) y optimice la gestión del estado (evite el reanálisis completo).
• Robustez: Mejorar la confiabilidad de la planificación de LLM (indicaciones, técnicas como ReAct), agregar verificación de acciones/recuperación de errores, mejorar la focalización de elementos.
• API/Arquitectura de destino: evolucionar hacia una API declarativa de nivel superior (por ejemplo, estilo @omni.publish ) y potencialmente integrar la lógica de bucle con el servidor MCP experimental (clase OmniMCP ).
• Consistencia: refactorice demo_synthetic.py para utilizar AgentExecutor .
• Características: Ampliar el espacio de acción (arrastrar y soltar, pasar el cursor).
• Pruebas: agregar pruebas E2E, ampliar la validación multiplataforma, definir métricas de evaluación.
• Investigación: Explorar el ajuste fino, los gráficos de procesos (RAG) y la integración del marco.

Estado del proyecto

AgentExecutor bucle principal mediante cli.py funciona para tareas básicas. El rendimiento y la robustez requieren mejoras significativas. La integración con MCP es experimental.

Contribuyendo

1. Repositorio de bifurcaciones
2. Crear rama de características
3. Implementar cambios y agregar pruebas
4. Asegúrese de que las comprobaciones pasen ( uv run ruff format . , uv run ruff check . --fix , uv run pytest tests/ )
5. Enviar solicitud de extracción

Licencia

Licencia MIT

Contacto

• Problemas: Problemas de GitHub
• Preguntas: Discusiones
• Seguridad: security@openadapt.ai