让AI Agent替你查账号：Aliens Eye MCP服务器接入LLM完整指南-平芜编程栈

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_eye

Aliens 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

MCP（Model 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mcp>=1.0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.py（quiet=True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 Found，3 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。

Q：MCP 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。