核心用法
Eye2byte 是一个开源 MCP 服务器，赋予 AI Agent「视觉能力」。通过 capture_and_summarize、capture_with_voice、record_clip_and_summarize 等工具，AI 可以主动捕获用户屏幕截图、录制短片段、同步语音描述，并返回结构化的 Context Pack（包含目标、环境、屏幕状态、错误信号、情境推断和建议）。
关键工具
- capture_and_summarize：全屏/窗口/区域截图，支持多显示器（
monitor=-1捕获全部屏幕） - capture_with_voice：截图+语音同步，适合口述问题场景
- record_clip_and_summarize：录屏提取关键帧，用于分析动态流程
- summarize_screenshot：分析已有图片文件
- transcribe_audio：本地 Whisper 语音转文字
- get_recent_context：召回历史捕获记录
显著优点
- 完全本地化：所有数据存储在
~/.eye2byte/output/，7 天自动清理，零云端上传 - 零遥测：不收集任何分析数据
- 灵活捕获：支持延迟捕获、窗口名定位、多显示器管理
- 结构化输出：Context Pack 标准化视觉信息，降低沟通成本
- 远程支持：SSE 模式允许跨机器连接（需 token 认证）
潜在局限
- 依赖本地环境：需 Python + ffmpeg，Windows/macOS/Linux 兼容性需实测
- vision model 依赖：图像分析依赖用户配置的第三方 API（如 GPT-4V）
- 权限要求：录屏/截图需系统级权限，部分企业环境受限
- token 管理：远程模式需用户妥善保管
EYE2BYTE_MCP_TOKEN
适合人群
- 需要 AI 协助调试 UI 问题、代码报错、终端输出的开发者
- 希望通过语音+屏幕快速描述复杂场景的产品/设计师
- 追求数据隐私、拒绝云端截图服务的敏感行业用户
常规风险
- 本地文件安全：捕获文件明文存储，多用户共享机器需注意权限
- API 密钥暴露：若配置 vision model，需确保密钥安全
- 误捕获敏感信息：建议用户延迟捕获或手动清理含密码/隐私的截图
- SSE 传输安全：远程模式建议配合 VPN 或 TLS 代理，避免 token 嗅探