开源项目将Charles抓包接入MCP，助力AI Agent自动化分析Android数据包

背景

随着大语言模型（LLM）能力的不断提升，AI 代理（Agent）不再局限于文本生成，而是逐渐向具备“行动能力”的方向演进。然而，要让 AI 真正理解并操作复杂的网络交互，关键在于赋予其感知网络数据的能力。

MCP（Model Context Protocol，模型上下文协议）作为连接 AI 模型与外部数据源的标准协议，正在成为这一进程的基础设施。本文分享了一个基于开源项目的实战案例：将网络抓包工具 Charles 的能力接入 MCP，使 AI 代理能够直接捕获、分析 Android 设备的数据包。这不仅解决了 AI “看不见”网络流量的痛点，还通过结合 Frida Hook 技术，展示了从明文抓包到加密应用内部数据提取的完整工作流，为 AI 自动化测试、逆向工程及接口分析提供了新的思路。

核心内容

该实战演示主要分为两个部分：基于 Android 模拟器的 Charles 抓包分析，以及基于 Frida Hook 的 Apple Music App 数据包抓取。

1. 环境准备与模拟器网络配置

演示首先基于 Android Studio 创建的模拟器进行。由于模拟器内置了“Captive Portal Check”（网络连通性检查）机制，默认指向 Google 服务器，这可能导致模拟器无法正确识别网络状态或拦截流量。

为解决此问题，作者通过 ADB 命令将模拟器的网络检测服务器替换为国内可访问的地址（以小米服务器为例）：

adb shell settings put global captive_portal_http_url http://connect.rom.miui.com/generate_204
adb shell settings put global captive_portal_https_url https://connect.rom.miui.com/generate_204
adb shell settings put global captive_portal_mode 0

执行命令后，重启飞行模式即可恢复网络连接。随后，需将 Charles 的 CA 证书安装到模拟器中，以解决 HTTPS 流量的解密问题。

2. 流量代理与 MCP 集成

配置完成后，关键步骤是将模拟器的流量通道指向运行 Charles 的本机 IP（例如 192.168.1.3，可通过 Charles 的 Help -> Local IP Address 查看）。这样，模拟器的所有网络请求都会经过 Charles 进行拦截和记录。

在 Charles 中启动录制功能后，AI 代理（此处使用 Claude Code CLI，简称 CC）通过 MCP 工具连接 Charles。当用户在模拟器中访问 Apple 官网并进入 Neo 预售页面时，Charles 捕获到相关数据包。AI 代理随即调用 MCP 工具，自动筛选并分析捕获到的接口与关键参数，生成结构化的分析结果。

3. Frida Hook 抓取加密 App 数据

对于无法通过常规代理抓包的加密应用（如 Apple Music），演示引入了 Frida 技术。在确保已安装 ADB 和 Frida-Server 的前提下，作者将 Frida Hook 脚本直接发送给 AI 代理。

AI 代理负责启动 App 并执行 Hook 脚本。在用户于 App 内执行若干操作后，AI 代理再次通过 MCP 读取分析结果，成功提取出 App 内部的数据包信息。这一过程展示了 AI 在复杂逆向工程场景下的自动化操作能力。

关键要点

• MCP 协议的价值：通过 MCP，AI 代理能够标准化地调用外部工具（如 Charles），将非结构化的网络流量转化为 AI 可理解的上下文信息。
• 模拟器网络陷阱规避：Android 模拟器的 Captive Portal Check 机制可能干扰抓包，需通过 ADB 修改系统设置指向国内可用服务器。
• HTTPS 解密前提：Charles 抓包 HTTPS 流量必须安装并信任 CA 证书，否则无法解密内容。
• 混合抓包策略：
  • 常规流量：使用 Charles 代理抓包，适合 Web 页面或普通 API 调用。
  • 加密 App 流量：结合 Frida Hook 技术，在应用层拦截数据，突破代理抓包的限制。
• AI 代理的自动化闭环：从配置环境、启动抓包、执行用户操作到分析数据，整个流程由 AI 代理（Claude Code CLI）驱动，体现了 Agent 在技术工作流中的核心作用。

意义与影响

这一实践不仅是一个技术教程，更揭示了 AI 代理在软件开发和安全测试领域的潜在应用价值：

1. 降低技术门槛：将复杂的抓包、Hook 配置和数据分析过程封装在 MCP 工具中，AI 代理可以自动处理细节，开发者只需关注业务逻辑。
2. 加速接口分析与逆向工程：AI 能够自动识别关键接口和参数，大幅缩短从抓包到代码生成的时间，特别适用于 API 测试和竞品分析。
3. 推动 MCP 生态落地：该案例展示了 MCP 在连接传统开发工具（Charles、ADB、Frida）与大模型之间的桥梁作用，为更多工具接入 AI 工作流提供了参考范式。

该项目已开源，鼓励社区通过 Star、Issue 和 Pull Request 共同完善，有望成为 AI 辅助网络分析的重要工具之一。