开发者针对移动端抓包、数据导出和 Mock 测试中的繁琐人工操作痛点，开源了基于 ProxyPin 的自动化工作台工具——ProxyPin MCP Workbench。该项目旨在通过引入大模型能力，改变传统抓包工具仅能查看单条请求、依赖人工编写脚本和整理 Mock 规则的现状。
项目核心亮点在于完成了 MCP（Model Context Protocol）协议接入，使得 AI 能够直接搜索抓包请求、读取接口详情并分析结构，从而将网络流量转化为 AI 可理解的知识库。工具构建了一套完整的自动化工作台，支持按任务隔离的抓包项目归档、采集方案复用以及常见的敏感字段脱敏导出。针对 Mock 测试场景，新增了“场景合集”功能，允许用户将多条规则打包管理，并提供了一键启停及规则命中诊断功能。此外，工作台优化了宽屏下的 Request/Response 双列查看体验，并兼容 SSE、WebSocket 及 Cookies 等详情查看，同时内置了代理连接诊断。目前项目仍处于持续打磨阶段，作者正在探索 AI 辅助抓包的更多实用场景，并计划优先支持 macOS 平台安装包。该项目为开发者提供了一种将大模型与底层网络数据深度融合的高效解决方案。
事件分析
该项目展示了 MCP 协议在垂直开发者工具中的实际落地潜力，标志着调试类工具正从“命令式脚本操作”向“声明式意图驱动”演进。技术层面上，将非结构化的网络流量通过 MCP 标准化传输给 AI 模型，解决了大模型无法直接访问本地或实时环境数据的局限，使 AI 不仅是代码生成者，更成为了具备网络感知能力的调试助手。从产业角度看，此类工具通过降低接口分析与 Mock 规则编写的门槛，显著提升了前后端联调及测试环节的自动化水平。随着 MCP 生态的完善，预计未来会有更多此类“AI + 垂直工具”的结合体出现，重构软件开发的交互范式。
核心观点：MCP 协议为 AI 装上“网络触角”，推动抓包工具从人工调试向意图驱动的智能自动化演进。
原文链接：V2EX 分享发现
