Nuphus 桌面自动化 MCP

这个 Agent 能做什么，适合哪些场景？

nuphus-mcp 是一个跨平台的 stdio MCP 服务器，把桌面控制和 Chrome 自动化暴露为 38 个标准 MCP 工具。其 Rust 工作区包含 MCP 服务器、基于 CDP 的 nuphus-browser，以及负责桌面控制的 desktop-api。它通过标准输入输出交换单行 JSON-RPC 2.0 消息，不运行守护进程或 HTTP 服务，可接入 Claude Desktop、Cursor、VS Code、Copilot 或其他 MCP 客户端。桌面与浏览器操作不需要 API 密钥；desktop_perceive 在本机运行 PaddleOCR，并可选用 YOLO 检测图标，而 desktop_vision 可调用用户自备的 OpenAI 兼容或 Anthropic 原生视觉模型。Windows 提供完整的浏览器和桌面能力，macOS 的桌面输入需要辅助功能权限，Linux 的窗口及输入能力则有限。

客户端通过 initialize、tools/list 和 tools/call 等 MCP 方法向 nuphus-mcp 发送 JSON-RPC 请求。15 个桌面工具可以读取屏幕尺寸、生成 PNG/base64 截图、列出和操控窗口，并执行鼠标点击、拖动、滚动、键盘输入、快捷键及剪贴板操作。desktop_perceive 使用本地 PaddleOCR 返回带坐标的文字元素，并可通过 ONNX Runtime 加载 YOLO 图标模型；desktop_vision 则把截图发送给配置好的视觉模型，以获得语义理解。23 个 browser_* 工具通过 nuphus-browser 和 chromiumoxide CDP 启动或连接 Chrome/Edge，可导航页面、生成带 @N 引用的无障碍树快照、点击、输入、执行脚本、提取内容、管理标签页、Cookie、上传和下载。服务从 stdin 读取换行分隔的 JSON，将 JSON-RPC 响应写到 stdout，并把日志写到 stderr；截图、上传和文件拖动路径还会经过校验。

1. 使用 Claude Desktop、Cursor 或其他 MCP 客户端的用户，希望让模型直接观察屏幕并操作窗口、鼠标和键盘。
2. 需要稳定 DOM 访问的自动化开发者，可用 browser_* 工具控制托管的 Chrome，完成导航、表单输入、内容提取、Cookie 和下载流程。
3. 需要操作已有真实浏览器会话的用户，可通过 CDP 连接带调试端口的外部浏览器，或在无法使用 CDP 时改用 OCR、鼠标和键盘进行视觉自动化。
4. 希望同时获得语义判断和精确坐标的智能体开发者，可组合 desktop_vision 与 desktop_perceive，实现“视觉理解后定位操作”的流程。
5. 在 DeepSeek Harness 中构建桌面工作流的用户，可安装专用 dsh-nuphus-mcp 插件，或通过其 stdio MCP 客户端手动挂载本服务。

如何安装或部署这个 Agent？

推荐通过 npm 安装各平台的预编译二进制；该方式不需要 Rust 工具链：

npm install -g @nuphus/nuphus-mcp

安装后可直接启动 stdio 服务：

nuphus-mcp

也可以从源码构建，此方式要求稳定版 Rust 工具链：

cargo build --release -p nuphus-mcp

浏览器工具需要 Chrome 或 Edge。desktop_vision 只有在实际调用时才需要设置 NUPHUS_MCP_VISION_API_KEY 和 NUPHUS_MCP_VISION_MODEL；desktop_perceive 首次运行会通过网络下载 OCR 模型和 icon_detect.onnx。

如何使用这个 Agent？

建议先启用严格确认，使写操作必须显式传入 confirm: true：

nuphus-mcp --confirm-write

Claude Desktop 可使用以下配置：

{
  "mcpServers": {
    "nuphus-mcp": {
      "command": "nuphus-mcp",
      "args": ["--confirm-write"]
    }
  }
}

也可以用初始化请求进行冒烟测试：

echo '{"jsonrpc":"2.0","id":0,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test"}}}' | nuphus-mcp

若要使用 desktop_vision，请在 MCP 进程环境中提供视觉模型配置：

export NUPHUS_MCP_VISION_API_KEY="your-api-key"
export NUPHUS_MCP_VISION_MODEL="your-vision-model"

默认使用 OpenAI 兼容的 Chat Completions 协议和 https://api.openai.com/v1。使用 Anthropic 原生 Messages API 时，将 NUPHUS_MCP_VISION_BASE_URL 设为 https://api.anthropic.com/v1，服务可按主机自动识别，也可将 NUPHUS_MCP_VISION_PROVIDER 显式设为 anthropic。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

1. v0.3.3 2026-10-13
   发布说明摘录

   Full Changelog: https://github.com/mrpulor-gh/nuphus-mcp/compare/v0.3.2...v0.3.3

   在 GitHub 查看 ↗
2. v0.3.2 2026-10-11
   发布说明摘录

   Full Changelog: https://github.com/mrpulor-gh/nuphus-mcp/compare/v0.3.1...v0.3.2

   在 GitHub 查看 ↗
3. v0.3.1 2026-09-28
   发布说明摘录

   What's Changed * fix(browser): serve on a big-stack thread and bound the remaining waits — fixes #10 by @mrpulor-gh in https://github.com/mrpulor-gh/nuphus-mcp/pull/11 New Contributors * @mrpulor-gh made their first contribution in https://github.com/mrpulor-gh/nuphus-mcp/pull/11 Full Changelog: https://github.com/mrpulor-gh/nuphus-mcp/compare/v0.3.0...v0.3.1

   在 GitHub 查看 ↗

常见问题