allcanuse-mcp

一个面向 Windows / Linux 实验环境的 MCP Server，用来给本地 Agent / MCP Client 暴露常用的本机操作能力。

许可证：MIT

allcanuse-mcp 的目标不是只给模型几个零散小工具，而是尽量把“这台实验机能做的事”系统化地暴露给模型。
接入后，模型不只是能读文件和跑命令，而是能把本机当成一个可操作的工作站来使用。

当前已经提供 90+ 个 tools，核心能力包括：

系统与环境探测：读取系统架构、时间、磁盘空间、环境变量、网络配置、网络适配器、当前 IP 与基础运行环境信息
命令执行与自动化：执行跨平台 shell、Windows cmd、PowerShell，支持把命令输出继续用于后续决策
进程与端口管理：启动进程、结束进程、列出进程、查看进程树、定位端口对应进程、枚举监听端口与已建立连接
文件与代码编辑：目录树遍历、按文件名搜索、按文本搜索、分段读取长文件、精确行替换、固定文本替换、文本文件写入、JSON 读写、二进制读写、哈希、最近文件、桌面文件查看
开发辅助与工程操作：压缩打包、解压归档、配置修改、源码定位、局部修补、运行验证命令，适合让模型直接做修 bug、改配置、写脚本、整理项目
网页与 HTTP 操作：HTTP 请求、HEAD 探测、响应头获取、网页正文提取、网页转 Markdown、链接提取、表格提取、指定 HTML 元素提取、网页表单提交、文件上传、文件下载、跳转链追踪
网络诊断与协议调试：DNS 解析、反向解析、TLS 证书读取、ping、路由追踪、TCP 连通性测试、原始 TCP 收发、UDP 收发、WebSocket 调试、小范围端口扫描
桌面与窗口观察：枚举窗口、获取前台窗口、汇总桌面上下文、截取桌面截图，适合结合带视觉能力的模型一起工作
摄像头能力：枚举本地摄像头并拍照，适合需要视觉输入的实验场景
值班与长任务托管：等待时间、等待文件/进程/端口/HTTP/窗口/桌面变化、后台值班任务、任务计划、任务事件、任务产物记录、断线后交接摘要
模型自检与自我发现：可直接列出全部 tools 与完整说明，方便模型在陌生任务里自行决定下一步该调用什么

模型接入后可以做什么

接入这个 MCP 后，模型可以做的不只是“回答问题”，而是可以在本机上主动推进任务，例如：

帮你排查“某个服务为什么起不来”：先看端口、再看进程、再看日志、再发 HTTP 请求、最后给出定位结果
帮你改代码和修配置：先搜索目标文件和函数，再分段读取大文件，精确修改几行代码，然后自动跑验证命令
帮你阅读网页和整理资料：不只抓当前页正文，还能继续提取站内链接、章节页、详情页、表格、结构化元数据和附件，递进式收集整个网站里与任务相关的内容
帮你做更接近“研究助手”式的网页探索：模型会先判断当前页是正文页、目录页、索引页还是文档首页，再决定继续抓正文、提链接、读 metadata、还是批量递进抓多个子页，而不是把一组固定 URL 机械跑完就结束
帮你把网站内容按任务目标动态展开：例如先读文档首页，再沿安装页、API 页、FAQ 页、下载页继续深入；或者先读文章页，再顺着相关详情页和附件链接继续补全上下文
帮你在抓取过程中边读边判断：模型可以根据当前抓到的标题、正文、canonical、Open Graph、JSON-LD、链接文字和页面结构，决定下一步该继续读哪一页、跳过哪一页、下载哪个附件、提取哪个表格或元素
帮你把网页抓取和本地工作流连起来：抓到内容后不只是返回原始文本，还可以继续下载文件、保存结果、整理为 Markdown、提取表格、再结合本地代码、日志、网络状态一起分析
帮你检查本地网络问题：看 DNS、ping、端口、TLS、路由和连接状态，判断是解析问题、主机不可达、端口不通还是应用层异常
帮你自动观察桌面变化：盯安装器、盯窗口弹出、盯前台切换、自动截图，适合实验环境里的 GUI 任务
帮你上传和下载本地文件：把日志、压缩包、构建产物上传到接口，也可以像轻量版 wget 一样把网络文件拉到本地
帮你做长时间值班：用户暂时离开后继续等文件生成、等服务恢复、等窗口出现，回来时再通过交接摘要快速接手
帮你在虚拟机里做实验自动化：把“观察 -> 判断 -> 执行 -> 验证”整套流程交给模型，而不是只让模型停留在口头建议

如果你想让模型更像一个真正能动手的本地助手，而不只是会说不会做，allcanuse-mcp 的定位就是把这些能力统一交到模型手里。

快速开始

现在主流 AI 客户端接入 MCP 时，通常只需要：

安装依赖
在客户端配置 MCP
重启客户端

不需要你手动先启动这个服务端进程，客户端会按配置自动拉起。

1. 安装依赖

先安装当前项目最基础的运行依赖：

pip install -r requirements.txt

如果你是开发者，或者希望本地命令更短，也可以：

pip install -e .

2. 在客户端里配置 MCP

ChatGPT Codex / Codex CLI

配置文件通常是：

~/.codex/config.toml

示例：

[mcp_servers.allcanuse]
command = "python"
args = ["run_server.py", "--transport", "stdio"]
cwd = "D:/path/to/allcanuse"
enabled = true
startup_timeout_ms = 30000
tool_timeout_sec = 180

如果已经执行过 pip install -e .，也可以改成：

[mcp_servers.allcanuse]
command = "allcanuse-mcp"
enabled = true
startup_timeout_ms = 30000
tool_timeout_sec = 180

Claude Code

项目内常见做法是在仓库根目录写 .mcp.json：

{
  "mcpServers": {
    "allcanuse": {
      "type": "stdio",
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "env": {}
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "mcpServers": {
    "allcanuse": {
      "type": "stdio",
      "command": "allcanuse-mcp",
      "args": [],
      "env": {}
    }
  }
}

OpenCode

OpenCode 通常写在 opencode.json 或 opencode.jsonc 的 mcp 字段里：

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "allcanuse": {
      "type": "local",
      "command": ["python", "run_server.py", "--transport", "stdio"],
      "enabled": true
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "allcanuse": {
      "type": "local",
      "command": ["allcanuse-mcp"],
      "enabled": true
    }
  }
}

LM Studio

在 LM Studio 的 mcp.json 中可写：

{
  "mcpServers": {
    "allcanuse": {
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "cwd": "D:/path/to/allcanuse"
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "mcpServers": {
    "allcanuse": {
      "command": "allcanuse-mcp",
      "args": []
    }
  }
}

2.1 更多客户端配置格式参考

下面这些格式参考了相关权威客户端接入文档中的常见配置结构，再按当前项目的本地 stdio 启动方式改写成 allcanuse-mcp 可直接使用的示例。

GitHub Copilot CLI

GitHub Copilot CLI 的 MCP 配置文件通常是：

~/.copilot/mcp-config.json

如果已经执行过 pip install -e .，推荐直接写成：

{
  "mcpServers": {
    "allcanuse": {
      "command": "allcanuse-mcp"
    }
  }
}

如果更希望从仓库目录直接运行，也可以写：

{
  "mcpServers": {
    "allcanuse": {
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "cwd": "D:/path/to/allcanuse"
    }
  }
}

GitHub Copilot IDEs

GitHub Copilot IDE 文档中的常见结构是项目级或用户级 .mcp.json，并使用 servers 字段。

如果已经安装成命令行入口，推荐这样写：

{
  "servers": {
    "allcanuse": {
      "type": "stdio",
      "command": "allcanuse-mcp"
    }
  }
}

如果你的具体 IDE 版本支持本地命令加参数，也可以改成：

{
  "servers": {
    "allcanuse": {
      "type": "stdio",
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"]
    }
  }
}

Cursor

Cursor 文档里常见全局 MCP 配置文件是：

~/.cursor/mcp.json

推荐示例：

{
  "mcpServers": {
    "allcanuse": {
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "cwd": "D:/path/to/allcanuse"
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "mcpServers": {
    "allcanuse": {
      "command": "allcanuse-mcp"
    }
  }
}

Windsurf

Windsurf 文档里常见 MCP 配置文件是：

~/.codeium/windsurf/mcp_config.json

推荐示例：

{
  "mcpServers": {
    "allcanuse": {
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "cwd": "D:/path/to/allcanuse"
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "mcpServers": {
    "allcanuse": {
      "command": "allcanuse-mcp"
    }
  }
}

Rovo Dev CLI

Rovo Dev CLI 文档中的常见做法是先运行：

acli rovodev mcp

打开对应 MCP 配置后，可按同样的 mcpServers 结构写入本项目。推荐示例：

{
  "mcpServers": {
    "allcanuse": {
      "command": "python",
      "args": ["run_server.py", "--transport", "stdio"],
      "cwd": "D:/path/to/allcanuse"
    }
  }
}

如果已经安装为命令行入口，也可以：

{
  "mcpServers": {
    "allcanuse": {
      "command": "allcanuse-mcp"
    }
  }
}

3. 重启客户端后直接使用

配置保存后，重启对应客户端即可。

接入成功后，建议先让模型调用：

list_all_tools()

然后再让模型调用：

get_system_info()
get_desktop_context()

如果这些调用都正常返回，通常就说明 MCP 已接通并可直接使用。

文档

通用使用说明：docs/USAGE.zh-CN.md
全部工具总览：docs/TOOLS.zh-CN.md
值班工作流说明：resource://guides/workflows/duty-watch
LM Studio 接入教程：docs/LM-STUDIO.zh-CN.md
Codex / Claude Code / OpenCode 接入教程：docs/CLIENT-INTEGRATIONS.zh-CN.md
发布后最终用户使用教程：docs/RELEASE-USAGE.zh-CN.md

如果要把当前 MCP 接到不同客户端，建议优先看：

可选依赖

摄像头功能依赖 opencv-python
Windows 下截图能力默认依赖 Pillow
Windows 下进程、端口、系统信息增强依赖 psutil 与 pywin32
Linux 窗口枚举依赖 wmctrl
Linux 活动窗口查询依赖 xprop
Linux 截图可能使用 gnome-screenshot、scrot 或 imagemagick

补充说明：

Linux 现在即使不安装 psutil，核心系统信息、进程查询、端口查询、监听端口、已建立连接等能力也能通过底层 /proc 与 /sys 回退实现继续工作
Linux 下截图、窗口枚举、前台窗口查询、摄像头这类能力仍然主要依赖系统图形环境或额外工具

关于图像如何传给模型：

capture_screenshot 和 capture_camera_photo 现在不只会返回本地文件路径
如果调用时把 return_image_content=true，在支持视觉内容的 MCP 客户端里，工具结果会直接附带图像内容，模型可以直接看图
如果客户端暂时不支持图像内容，工具仍会正常返回结构化元数据和本地路径，后续依然可以继续读取、上传、分析或交给其他支持视觉的链路处理

验证

python -m compileall src tests run_server.py
$env:PYTHONPATH=(Resolve-Path .\src).Path
python -m unittest discover -s tests -v

allcanuse-mcp

模型接入后可以做什么

快速开始

1. 安装依赖

2. 在客户端里配置 MCP

ChatGPT Codex / Codex CLI

Claude Code

OpenCode

LM Studio

2.1 更多客户端配置格式参考

GitHub Copilot CLI

GitHub Copilot IDEs

Cursor

Windsurf

Rovo Dev CLI

3. 重启客户端后直接使用

文档

可选依赖

验证

Yorumlar (0)