桥接 LLM 智能体与 Windows 操作系统的轻量级 MCP Server，基于 a11y 树实现无 CV 依赖的桌面 UI 自动化。
Windows-MCP 是一款专为 LLM 智能体设计的 Windows 桌面控制网关，通过 MCP 协议将大模型的能力延伸至图形用户界面。项目核心亮点在于摒弃了传统的计算机视觉方案，转而深度利用 Windows UI Automation（a11y 树）进行精准的元素定位与交互。它内置了 18 个高度模块化的工具，覆盖了从基础的鼠标点击、键盘输入、滚动截屏，到复杂的窗口管理、进程控制、注册表读写及 PowerShell 执行等全方位操作。
工具集概览
- 桌面 UI 自动化：Click（坐标点击）、Type（元素输入）、Scroll（区域滚动）、Move（鼠标移动/拖拽）、Shortcut（键盘快捷键）、Wait（暂停）
- 状态感知：Screenshot（截图+光标与活跃窗口信息）、Snapshot（完整桌面状态捕获，含 UI 元素 ID 与可滚动区域；
use_dom=True切换浏览器 DOM 模式） - 应用与系统管理：App（启动/调整/切换应用）、Shell（PowerShell 执行）、Process（进程管理）、Registry（注册表读写）、Clipboard（剪贴板读写）、Notification（系统通知）
- 高级交互：MultiSelect（多选）、MultiEdit（多输入框同时输入）、Scrape（网页抓取）
架构与实现
- 基于 fastmcp (>=3.0) 构建，源码入口
windows_mcp.__main__:main，代码位于src/windows_mcp/（含uia/子模块） - UI 自动化核心采用 Python-UIAutomation-for-Windows 解析 a11y 树，结合 PyAutoGUI 进行输入模拟
- 通过 pywin32 与 comtypes 调用 Windows 原生 API
- 截图引擎三级回退：dxcam（GPU 加速）→ mss → pillow
- 文本匹配集成 fuzzywuzzy + python-levenshtein
- 网页内容转换使用 markdownify
- 工程化：setuptools 构建、Ruff Lint、pytest-asyncio 测试
运行特性
- 动作间典型延迟 0.2–0.9 秒
- 多传输协议：stdio（默认）、SSE、Streamable HTTP
- 已添加虚拟机环境支持
- 兼容 Claude Desktop、Claude Code、Perplexity Desktop、Gemini CLI、Qwen Code、Codex CLI 等客户端
- 目标平台：Windows 7/8/8.1/10/11，最低 Python 3.13+
安装与配置
推荐通过 PyPI 安装：uvx windows-mcp
关键环境变量：WINDOWS_MCP_SCREENSHOT_SCALE（截图缩放，高分辨率建议 0.5）、WINDOWS_MCP_SCREENSHOT_BACKEND（截图后端：auto/dxcam/mss/pillow）、ANONYMIZED_TELEMETRY（遥测开关）、WINDOWS_MCP_DEBUG（调试模式）
待确认事项
- "2M+ Users" 声明来源于 Claude.ai/directory 页面，无法独立验证
- README 声称支持 Windows 7/8/8.1，但 PyPI classifiers 仅列出 Windows 10/11
- dxcam 在 VM 中需要 GPU 直通，截图后端行为待确认
- 遥测具体收集指标范围需查阅 Security Policy 进一步确认
衍生项目：Windows-Use（基于 Windows-MCP 构建的独立 AI 智能体）