让AI Agent替你查账号Aliens Eye MCP服务器接入LLM完整指南【免费下载链接】Aliens_eyeHunt down 840 social media accounts using AI项目地址: https://gitcode.com/gh_mirrors/al/Aliens_eyeAliens Eye是一款用 AI 驱动的 OSINT 账号嗅探工具可以扫描 840 平台查找同名社交账号。它的MCP 服务器aliens_eye serve能把扫描用户名这个能力封装成标准工具让 Claude 等 LLM Agent 直接替你发起扫描、聚类结果、读取报告——你只需在对话里说一句话账号排查就自动跑起来了。本文是一份从零到跑通的完整接入指南。为什么要把 Aliens Eye 接入 LLM普通用法是手动敲命令行aliens_eye 用户名然后在终端看表格。但接入 MCP 服务器后体验完全不同自然语言驱动对 LLM 说查一下 john_doe 的账号Agent 自动调用扫描工具结果可联动Agent 拿到扫描报告后能接着调用correlate把可能是同一人的头像/简介自动聚成簇跨会话复用read_report工具让 Agent 直接读取你之前保存的报告 JSON不用重扫MCPModel Context Protocol是 LLM 连接外部工具的通用协议基于 stdio 通信。Aliens Eye 的服务器端实现在 src/aliens_eye/mcp_server.py仅依赖轻量mcp包。一键安装MCP 服务器怎么装MCP 服务器是可选组件optional extra需要先安装pip install aliens-eye[serve]这条命令会装好核心包和mcp1.0依赖见 pyproject.toml 中的serveextra。如果你只装核心包直接跑aliens_eye serve它会友好地提示你缺依赖而不是崩溃。启动步骤aliens_eye serve 参数详解安装完成后一条命令即可启动aliens_eye serve常用参数定义见 src/aliens_eye/cli.py参数作用--sites 路径指定自定义平台清单 JSON缩小扫描范围--no-ml关闭机器学习检测只用启发式规则更快但精度略降-v开启详细日志⚠️关键设计细节stdio 通道要传输 MCP 协议本身所以服务器会把所有控制台输出强制重定向到 stderr任何杂散打印都不会污染协议流。这也是它内部调用稳定 API 层 src/aliens_eye/api.pyquietTrue模式的原因——库层面就保证零 stdout 输出。LLM 客户端配置最快接入方法在你的 MCP 客户端配置中添加 stdio 类型服务指向启动命令即可{ mcpServers: { aliens-eye: { command: aliens_eye, args: [serve] } } }如果你只关心特定几个平台比如 GitHub、Reddit可以缩小扫描面、提速明显{ mcpServers: { aliens-eye: { command: aliens_eye, args: [serve, --sites, ./my_sites.json] } } }其中my_sites.json的格式很简单{ site_name: https://site/{} }也可以直接把这类自定义平台文件放进sites.d/目录自动合并参见 README.md 的 Custom platforms 一节。三大内置工具Agent 能做什么服务器启动后LLM 会看到三个工具scan_username(username, level)— 核心扫描器。支持basic | intermediate | advanced三级advanced 会额外扫描前缀_用户名、用户名_后缀等变体形式覆盖更全。返回完整结构化报告与 CLI 保存的 JSON 报告同构。correlate(report)— 把报告里疑似同一人的跨站账号聚类依据包括头像哈希、简介、共同链接、昵称实现在 src/aliens_eye/core/correlate.py。read_report(path)— 从磁盘加载一份历史报告 JSON让 Agent 基于旧数据继续分析无需重复扫描。实战一段对话完成账号排查接入后典型使用体验是这样的你帮我查一下john_doe这个用户名找出所有账号。Agent已调用scan_username在 840 平台中命中 12 个9 个 Found3 个 Maybe。已调用correlate聚类头像一致、简介含相同个人主页链接的 8 个账号大概率属于同一人已列出清单。整个过程你不需要碰命令行。Agent 还会主动说明哪些是Maybe提醒你人工核实——这和 Aliens Eye 自身的设计理念一致Found/Maybe 是待核实的线索不是结论。避坑清单与最佳实践✅验证服务器是否就绪先单独运行aliens_eye serve再在客户端里观察工具列表是否出现scan_username✅控制扫描规模全量扫描 840 平台耗时较长Agent 对话容易等待过久。日常排查建议用--sites指定常用平台子集✅结果分级看待内置模型在未见过的平台上精确率约 0.65、召回率约 0.51见 README.md 的说明Maybe结果务必点开确认❌不要让任何程序往 stdout 写东西它会被当作 MCP 协议帧解析直接导致通信失败❌不要跳过[serve]extra缺少mcp包时服务器只会打印提示后退出常见问题速查Q扫描时 LLM 客户端一直转圈没结果A多半是全量平台扫描太慢。先用--sites缩小范围或把level保持在basic。Q能复用 CLI 扫描过的旧报告吗A可以。让 Agent 调read_report指向results/下的历史 JSON 文件即可。QMCP 模式和直接跑 CLI 有什么区别A功能同源都走 src/aliens_eye/api.py 的稳定 API 层区别只是入口CLI 面向人MCP 面向 Agent且全程静默、结构化返回。小结Aliens Eye 的 MCP 服务器把AI 账号嗅探从命令行搬进了对话窗口pip install aliens-eye[serve]装好依赖aliens_eye serve启动 stdio 服务在客户端配置里指向这条命令就能让 LLM Agent 替你扫 840 平台、聚类同人账号、翻阅历史报告。更多内部机制特征提取、ML启发式双判决、指纹学习可深入阅读 WORKING.md 与 src/aliens_eye/core/detector.py。免责声明本工具仅供教育目的与合法 OSINT 研究使用请自行确保遵守当地法律及目标平台的服务条款。【免费下载链接】Aliens_eyeHunt down 840 social media accounts using AI项目地址: https://gitcode.com/gh_mirrors/al/Aliens_eye创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考