オムニMCP

OmniMCPは、モデルコンテキストプロトコル（MCP）とmicrosoft/OmniParserを通じて、AIモデルに豊富なUIコンテキストとインタラクション機能を提供します。視覚的な分析、構造化された計画、そして正確なインタラクション実行を通じて、ユーザーインターフェイスの深い理解を可能にすることに重点を置いています。

コア機能

• 視覚認識: OmniParser を使用して UI 要素を理解します。
• **LLM 計画:**目標、履歴、視覚的な状態に基づいて次のアクションを計画します。
• **エージェント エグゼキューター:**認識-計画-行動ループ ( omnimcp/agent_executor.py ) を調整します。
• アクション実行: pynput ( omnimcp/input.py ) を介してマウス/キーボードを制御します。
• **CLI インターフェース:**タスクを実行するためのシンプルなエントリ ポイント ( cli.py )。
• **自動デプロイメント:**自動シャットダウン付きの AWS EC2 へのオプションの OmniParser サーバー デプロイメント。
• **デバッグ:**ステップごとにタイムスタンプ付きのビジュアル ログを生成します。

概要

cli.py AgentExecutorを使用して、認識・計画・行動のループを実行します。画面をキャプチャし ( VisualState )、LLM を使用してプランニングを行い ( core.plan_action_for_ui )、アクションを実行します ( InputController )。

デモ

• 実際のアクション (電卓): python cli.py電卓を開き、5*9 を計算します。
• 合成 UI (ログイン): python demo_synthetic.py生成された画像を使用します (実際の I/O はありません)。 (注: AgentExecutor を使用するためのリファクタリングが保留中です)。

前提条件

• Python >=3.10、<3.13
• uvがインストールされました（ pip install uv ）
• Linux ランタイム要件: pynputにはアクティブなグラフィカルセッション (X11/Wayland) が必要です。システムライブラリ ( libx11-devなど) が必要になる場合があります - pynputドキュメントを参照してください。

(macOS ディスプレイのスケーリング依存関係はインストール中に自動的に処理されます)。

AWS デプロイメント機能について

.envにAWS認証情報が必要です（ .env.exampleを参照）。警告： AWSリソース（EC2、Lambdaなど）が作成され、コストが発生します。クリーンアップするには、 python -m omnimcp.omniparser.server stopを使用してください。

インストール

クイックスタート

環境がアクティブ化され、 .envが構成されていることを確認します。

デバッグ出力はruns/<timestamp>/に保存されます。

**MCP サーバーに関する注意:**実験的な MCP サーバー ( omnimcp/mcp_server.pyのOmniMCPクラス) が存在しますが、プライマリcli.py / AgentExecutorワークフローとは別です。

建築

1. CLI ( cli.py ) - エントリ ポイント、セットアップ、Executor の起動。
2. エージェント エグゼキューター( omnimcp/agent_executor.py ) - ループをオーケストレーションし、状態/アーティファクトを管理します。
3. Visual State Manager ( omnimcp/visual_state.py ) - 認識 (スクリーンショット、パーサーの呼び出し)。
4. OmniParser クライアント & デプロイ( omnimcp/omniparser/ ) - OmniParser サーバーの通信/デプロイメントを管理します。
5. LLM プランナー( omnimcp/core.py ) - アクション プランを生成します。
6. 入力コントローラ( omnimcp/input.py ) - アクション (マウス/キーボード) を実行します。
7. (オプション) MCP サーバー( omnimcp/mcp_server.py ) - 実験的な MCP インターフェース。

発達

環境設定とチェック

デバッグサポート

python cli.pyを実行すると、次の内容を含むタイムスタンプ付きの実行がruns/に保存されます。

• step_N_state_raw.png
• step_N_state_parsed.png （要素ボックス付き）
• step_N_action_highlight.png (アクションハイライト付き)
• final_state.png

詳細なログはlogs/run_YYYY-MM-DD_HH-mm-ss.logにあります ( .envではLOG_LEVEL=DEBUG推奨されます)。

(注: タイミング、カウント、IP、インスタンス ID、特定のプランなどの詳細は異なります)

ロードマップと制限事項

主な制限事項と将来の作業領域:

• パフォーマンス: OmniParser のレイテンシを削減し (ローカル モデル、キャッシュなどを探索)、状態管理を最適化します (完全な再解析を回避します)。
• 堅牢性: LLM 計画の信頼性 (プロンプト、ReAct などのテクニック) を向上させ、アクション検証/エラー回復を追加し、要素のターゲティングを強化します。
• **ターゲット API/アーキテクチャ:**より高レベルの宣言型 API (例: @omni.publishスタイル) に向けて進化し、ループ ロジックを実験的な MCP サーバー ( OmniMCPクラス) と統合する可能性があります。
• 一貫性: AgentExecutor使用するようにdemo_synthetic.pyをリファクタリングします。
• **機能:**アクション スペースを拡張します (ドラッグ/ドロップ、ホバー)。
• テスト: E2E テストを追加し、クロスプラットフォーム検証を拡大し、評価メトリックを定義します。
• **調査:**微調整、プロセス グラフ (RAG)、フレームワークの統合を調査します。

プロジェクトのステータス

cli.py / AgentExecutor経由のコアループは基本的なタスクには機能します。パフォーマンスと堅牢性には大幅な改善が必要です。MCP との統合は試験段階です。

貢献

1. フォークリポジトリ
2. 機能ブランチを作成する
3. 変更を実装し、テストを追加する
4. チェックが合格したことを確認します ( uv run ruff format . 、 uv run ruff check . --fix 、 uv run pytest tests/ )
5. プルリクエストを送信する

ライセンス

MITライセンス

接触

• 問題: GitHub の問題
• 質問：ディスカッション
• セキュリティ: security@openadapt.ai