Windows-MCP：让 AI 在 Windows 上「看见」并「操作」一切

图1：Windows-MCP 项目 Logo

从「聪明的大脑」到「能干的双手」：AI 的 Windows 困局

想象一下，你有一个极其聪明的 AI 助手——它能写文章、解数学题、画图、编程，无所不能。但当你对它说「帮我打开钉钉，把今天的报表发给财务张总」时，它却犯难了：AI 看见了文字，却没有真正「看见」你的屏幕，更无法移动你的鼠标、点击你的按钮。

这正是当前 AI Agent 面临的核心瓶颈——大语言模型（LLM）可以理解指令、生成文本，但它们活在云端，运行在服务器上，与你的 Windows 桌面之间隔着一堵厚厚的墙。Windows 系统的窗口、按钮、输入框、菜单……这些对人类来说触手可及的元素，对 AI 来说却是黑箱。

Windows-MCP 正是为解决这一痛点而生。它不是一个 AI 模型，而是一座桥——一座连接 AI 大脑与 Windows 操作系统的桥。

项目起源：从 Cursor IDE 到通用 Windows 自动化框架

Windows-MCP 由开发者 Jeomon George（GitHub: CursorTouch）主导开发，目前在 GitHub 上拥有超过 5800 颗星，已获得 200 万+用户（主要通过 Claude Desktop 插件生态）。

项目最初是作为 Cursor IDE（基于 AI 的代码编辑器）的扩展能力孵化，随后演进为独立的通用 MCP 服务器。它的核心理念是：任何 AI 客户端（Claude Desktop、Cursor、Cline 等），只要支持 MCP 协议，就能通过 Windows-MCP 直接操控 Windows 操作系统，执行真实世界中的桌面任务。

项目支持从 Windows 7 到 Windows 11 的广泛版本范围，覆盖了大量企业级 Windows 用户群体。

核心技术解析：如何让 AI「看懂」Windows 桌面

Windows-MCP 采用了分层服务架构，从底层到顶层分为三层：

第一层：UIAutomation 底层封装（uia/）

最底层是对 Windows 原生 UI 自动化接口的封装。项目通过 comtypes 库调用 Windows UIAutomation COM API，这是一套 Windows 内置的辅助技术（Accessibility）接口，能够枚举屏幕上的所有 UI 元素——窗口、按钮、文本框、下拉菜单……

uia/core.py 负责初始化 UIAutomation COM 对象；uia/controls.py 为每种控件（Button、Edit、List 等）提供专属逻辑；uia/patterns.py 封装了各种交互模式（如 InvokePattern 可模拟点击，ValuePattern 可读写文本）。

第二层：UI 树构建服务（tree/）

光有底层接口还不够，还需要将零散的 UI 元素组织成结构化的「可访问性树」。tree/service.py 遍历活动窗口和后台窗口的 UI 元素，构建完整的树状结构，每个节点包含元素名称、类型、位置、状态等信息。

这段代码使用 ThreadPoolExecutor 实现多线程 UI 遍历，保证在大窗口树场景下不阻塞主线程。tree/ia2.py 处理 MSAA 降级兼容，确保在部分不支持 UIA 的老应用上也能工作。

第三层：MCP 工具暴露（tools/）

这是用户直接感知的部分——16 个 MCP 工具，涵盖桌面操作的各个方面：

工具	功能
App	启动应用、切换焦点
Shell	执行 PowerShell/CMD 命令
Screenshot	截取屏幕
Snapshot	获取当前 UI 可访问性树快照
Click / Move	鼠标点击和移动
Type / Shortcut	键盘输入和快捷键
Scroll	滚动
Scrape	从 UI 元素提取文本内容
Clipboard	剪贴板读写
Process	进程管理
Notification	Windows 通知
MultiSelect / MultiEdit	批量操作

所有工具通过 FastMCP 框架注册到 MCP 协议中，AI 客户端只需发送符合 MCP 规范的 JSON-RPC 请求，即可触发真实的 Windows 操作。

关键设计：WatchDog 与虚拟桌面管理

两个值得注意的模块：watchdog/ 和 vdm/。

WatchDog（watchdog/service.py）运行在独立线程中，订阅 UIAutomation 的焦点变更事件。当用户切换窗口或应用时，WatchDog 自动通知 Tree 服务刷新 UI 树，保证 AI 获取的永远是「最新鲜」的桌面状态。

Virtual Desktop Manager（vdm/core.py）则处理 Windows 10/11 的虚拟桌面特性，让 AI 能够追踪窗口属于哪个虚拟桌面，这是企业用户（多桌面办公）的常见需求。

部署体验：开箱即用，但有平台限制

Windows-MCP 支持两种安装方式：

# 方式一：pip 安装
pip install windows-mcp

# 方式二：uvx 一键运行（无需安装）
uvx windows-mcp

安装后，只需在 AI 客户端（如 Claude Desktop）的 MCP 配置文件中添加服务器路径即可使用。

但有一个根本性限制：Windows-MCP 只能在 Windows 操作系统 上运行（Linux/macOS 不支持）。这是因为它的核心依赖——comtypes、pywin32、dxcam——都是 Windows 专有库。没有 Docker 支持意味着无法在 Linux 服务器上容器化部署。硬件要求很低：无需 GPU，普通 PC（4GB RAM + 500MB 磁盘）即可运行。

数据隐私：AI 看见你的屏幕，安全吗？

这是一个必须正视的问题。Windows-MCP 本质上赋予 AI「读取和操作」你 Windows 桌面的能力——它能截屏、能读取按钮文本、能执行 PowerShell 命令。

项目采用 PostHog 遥测（默认开启），收集工具调用名称和错误信息，不收集具体参数和输出内容。用户可通过环境变量 ANONYMIZED_TELEMETRY=false 完全禁用遥测。

此外，项目提供了 SECURITY.md 安全白皮书，详细描述了安全设计考量。对于企业用户，建议在隔离环境中使用，并审查 PowerShell 命令执行权限。

行业意义：Agent 时代的「基础设施」竞争

2025 年是 AI Agent 元年。以 Claude Computer Use、OpenAI Operator、Google Project Mariner 为代表的「计算机使用型 Agent」纷纷亮相，它们共同面临一个问题：如何在真实操作系统中执行任务？

Windows-MCP 代表了一种答案——通过标准化协议（MCP）封装 OS 层能力，让任何 AI 都能以统一方式操控 Windows。这与 Anthropic 推出 MCP 协议的初衷高度一致：建立 AI 与数据源/工具之间的「通用翻译层」。

从 star 历史增长曲线可以看出，项目在 2024 年底至 2025 年初迎来爆发式增长，与 Claude Desktop 插件生态的扩张高度同步。

图2：Windows-MCP Star 历史增长曲线

局限与争议：不完美，但足够实用

局限性：

• 平台锁定：Windows only，无法在 Linux/macOS 直接使用
• 速度限制：UIAutomation 树遍历在复杂窗口下可能较慢
• 老应用兼容：部分旧版应用（无 UIA 支持）只能用 MSAA 降级方案
• 安全边界模糊：AI 执行 PowerShell 命令的能力是把双刃剑

总结：Windows 平台 AI 自动化的坚实一步

Windows-MCP 不是一个炫技的开源项目，而是一个真正解决实际问题的工程化作品。它用扎实的代码、清晰的架构、完整的文档，为 AI Agent 在 Windows 平台上的落地提供了可靠的基础设施。

无论你是想在 Windows 上构建自动化测试 Agent、开发 RPA（机器人流程自动化）工具，还是尝试用 AI 操控企业级 Windows 应用，Windows-MCP 都值得作为你的第一站。