OmniMCP
OmniMCP 通过模型上下文协议 (MCP)和microsoft/OmniParser为 AI 模型提供丰富的 UI 上下文和交互能力，专注于通过可视化分析、结构化规划和精准交互执行，实现对用户界面的深度理解。
核心功能
- **视觉感知：**使用 OmniParser 理解 UI 元素。
- **LLM 规划：**根据目标、历史和视觉状态规划下一步行动。
- **代理执行器：**协调感知-计划-行动循环（
omnimcp/agent_executor.py ）。 - **动作执行：**通过
pynput ( omnimcp/input.py ) 控制鼠标/键盘。 - **CLI 接口：**运行任务的简单入口点（
cli.py ）。 - **自动部署：**可选将 OmniParser 服务器部署到 AWS EC2 并自动关闭。
- **调试：**每一步生成带有时间戳的可视日志。
概述
cli.py使用AgentExecutor运行感知-计划-执行循环。它捕获屏幕（ VisualState ），使用 LLM（ core.plan_action_for_ui ）进行规划，并执行操作（ InputController ）。
演示
- 实际动作（计算器）：
python cli.py打开计算器，计算 5*9。
- 合成 UI（登录）：
python demo_synthetic.py使用生成的图像（无实际 I/O）。 （注：待重构以使用 AgentExecutor）。
先决条件
- Python >=3.10，<3.13
uv安装（ pip install uv ）- Linux 运行时要求：
pynput需要一个活动的图形会话 (X11/Wayland)。可能需要系统库（ libx11-dev等）——请参阅pynput文档。
（macOS 显示缩放依赖关系在安装期间自动处理）。
对于 AWS 部署功能
需要在.env中提供 AWS 凭证（参见.env.example ）。**警告：**创建 AWS 资源（EC2、Lambda 等）会产生费用。请使用python -m omnimcp.omniparser.server stop进行清理。
AWS_ACCESS_KEY_ID=YOUR_ACCESS_KEY
AWS_SECRET_ACCESS_KEY=YOUR_SECRET_KEY
ANTHROPIC_API_KEY=YOUR_ANTHROPIC_KEY
# OMNIPARSER_URL=http://... # Optional: Skip auto-deploy
安装
git clone [https://github.com/OpenAdaptAI/OmniMCP.git](https://github.com/OpenAdaptAI/OmniMCP.git)
cd OmniMCP
./install.sh # Creates .venv, installs deps incl. test extras
cp .env.example .env
# Edit .env with your keys
# Activate: source .venv/bin/activate (Linux/macOS) or relevant Windows command
快速入门
确保环境已激活并且.env已配置。
# Run default goal (Calculator task)
python cli.py
# Run custom goal
python cli.py --goal "Your goal here"
# See options
python cli.py --help
调试输出保存在runs/<timestamp>/中。
**关于 MCP 服务器的说明：**存在一个实验性的 MCP 服务器（ omnimcp/mcp_server.py中的OmniMCP类），但与主要的cli.py / AgentExecutor工作流程是分开的。
建筑学
- CLI （
cli.py ）——入口点，设置，启动执行器。 - 代理执行器（
omnimcp/agent_executor.py ）——协调循环，管理状态/工件。 - 视觉状态管理器（
omnimcp/visual_state.py ） - 感知（屏幕截图，调用解析器）。 - OmniParser 客户端和部署（
omnimcp/omniparser/ ） - 管理 OmniParser 服务器通信/部署。 - LLM 规划器（
omnimcp/core.py ）——生成行动计划。 - 输入控制器（
omnimcp/input.py ） - 执行操作（鼠标/键盘）。 - （可选）MCP 服务器（
omnimcp/mcp_server.py ） - 实验性 MCP 接口。
发展
环境设置和检查
# Setup (if not done): ./install.sh
# Activate env: source .venv/bin/activate (or similar)
# Format/Lint: uv run ruff format . && uv run ruff check . --fix
# Run tests: uv run pytest tests/
调试支持
运行python cli.py会将带有时间戳的运行保存在runs/中，包括：
step_N_state_raw.pngstep_N_state_parsed.png （带元素框）step_N_action_highlight.png （带有动作突出显示）final_state.png
详细日志位于logs/run_YYYY-MM-DD_HH-mm-ss.log中（建议在.env中使用LOG_LEVEL=DEBUG ）。
# --- Initialization & Auto-Deploy ---
2025-MM-DD HH:MM:SS | INFO | omnimcp.omniparser.client:... - No server_url provided, attempting discovery/deployment...
2025-MM-DD HH:MM:SS | INFO | omnimcp.omniparser.server:... - Creating new EC2 instance...
2025-MM-DD HH:MM:SS | SUCCESS | omnimcp.omniparser.server:... - Instance i-... is running. Public IP: ...
2025-MM-DD HH:MM:SS | INFO | omnimcp.omniparser.server:... - Setting up auto-shutdown infrastructure...
2025-MM-DD HH:MM:SS | SUCCESS | omnimcp.omniparser.server:... - Auto-shutdown infrastructure setup completed...
... (SSH connection, Docker setup) ...
2025-MM-DD HH:MM:SS | SUCCESS | omnimcp.omniparser.client:... - Auto-deployment successful. Server URL: http://...
... (Agent Executor Init) ...
# --- Agent Execution Loop Example Step ---
2025-MM-DD HH:MM:SS | INFO | omnimcp.agent_executor:run:... - --- Step N/10 ---
2025-MM-DD HH:MM:SS | DEBUG | omnimcp.agent_executor:run:... - Perceiving current screen state...
2025-MM-DD HH:MM:SS | INFO | omnimcp.visual_state:update:... - VisualState update complete. Found X elements. Took Y.YYs.
2025-MM-DD HH:MM:SS | INFO | omnimcp.agent_executor:run:... - Perceived state with X elements.
... (Save artifacts) ...
2025-MM-DD HH:MM:SS | DEBUG | omnimcp.agent_executor:run:... - Planning next action...
... (LLM Call) ...
2025-MM-DD HH:MM:SS | INFO | omnimcp.agent_executor:run:... - LLM Plan: Action=..., TargetID=..., GoalComplete=False
2025-MM-DD HH:MM:SS | DEBUG | omnimcp.agent_executor:run:... - Added to history: Step N: Planned action ...
2025-MM-DD HH:MM:SS | INFO | omnimcp.agent_executor:run:... - Executing action: ...
2025-MM-DD HH:MM:SS | SUCCESS | omnimcp.agent_executor:run:... - Action executed successfully.
2025-MM-DD HH:MM:SS | DEBUG | omnimcp.agent_executor:run:... - Step N duration: Z.ZZs
... (Loop continues or finishes) ...
（注意：时间、数量、IP、实例 ID 和具体计划等详细信息会有所不同）
路线图和局限性
主要限制和未来工作领域：
- **性能：**减少 OmniParser 延迟（探索本地模型、缓存等）并优化状态管理（避免完全重新解析）。
- **稳健性：**提高 LLM 规划可靠性（提示、ReAct 等技术），添加动作验证/错误恢复，增强元素定位。
- **目标 API/架构：**向更高级别的声明式 API 发展（例如，
@omni.publish样式），并可能将循环逻辑与实验性 MCP 服务器（ OmniMCP类）集成。 - **一致性：**重构
demo_synthetic.py以使用AgentExecutor 。 - **特点：**扩展操作空间（拖放、悬停）。
- **测试：**添加 E2E 测试，扩大跨平台验证，定义评估指标。
- **研究：**探索微调、流程图（RAG）、框架集成。
项目状态
通过cli.py / AgentExecutor核心循环可以完成基本任务。性能和稳健性需要显著改进。MCP 集成尚处于实验阶段。
贡献
- Fork 存储库
- 创建功能分支
- 实施变更并添加测试
- 确保检查通过（
uv run ruff format . , uv run ruff check . --fix , uv run pytest tests/ ） - 提交拉取请求
执照
MIT 许可证
接触