desktop-control-zh

高级桌面自动化技能,提供像素级精确的鼠标控制、键盘输入、屏幕截图、窗口管理和剪贴板操作

SKILL.md

GitHub

桌面控制技能

OpenClaw 最先进的桌面自动化技能。 提供像素级精确的鼠标控制、闪电般的键盘输入、屏幕截图、窗口管理和剪贴板操作。

🎯 功能特性

鼠标控制

  • ✅ 绝对定位 - 移动到精确坐标
  • ✅ 相对移动 - 从当前位置移动
  • ✅ 平滑移动 - 自然、拟人的鼠标路径
  • ✅ 点击类型 - 左键、右键、中键、双击、三击
  • ✅ 拖放操作 - 从 A 点拖动到 B 点
  • ✅ 滚动 - 垂直和水平滚动
  • ✅ 位置追踪 - 获取当前鼠标坐标

键盘控制

  • ✅ 文本输入 - 快速、准确的文本输入
  • ✅ 快捷键 - 执行键盘快捷键(Ctrl+C、Win+R 等)
  • ✅ 特殊按键 - Enter、Tab、Escape、方向键、F 键
  • ✅ 组合键 - 多键同时按下
  • ✅ 按住与释放 - 手动控制按键状态
  • ✅ 输入速度 - 可配置的 WPM(从瞬间到拟人化)

屏幕操作

  • ✅ 截图 - 捕获整个屏幕或指定区域
  • ✅ 图像识别 - 在屏幕上查找元素(通过 OpenCV)
  • ✅ 颜色检测 - 获取指定坐标的像素颜色
  • ✅ 多显示器 - 支持多个显示器

窗口管理

  • ✅ 窗口列表 - 获取所有打开的窗口
  • ✅ 激活窗口 - 将窗口置于前台
  • ✅ 窗口信息 - 获取位置、大小、标题
  • ✅ 最小化/最大化 - 控制窗口状态

安全特性

  • ✅ 故障保护 - 将鼠标移到角落以中止
  • ✅ 暂停控制 - 紧急停止机制
  • ✅ 批准模式 - 操作前需要确认
  • ✅ 边界检查 - 防止超出屏幕的操作
  • ✅ 日志记录 - 追踪所有自动化操作

🚀 快速开始

安装

首先,安装所需的依赖:

pip install pyautogui pillow opencv-python pygetwindow

基本使用

from skills.desktop_control import DesktopController

# 初始化控制器
dc = DesktopController(failsafe=True)

# 鼠标操作
dc.move_mouse(500, 300)  # 移动到坐标
dc.click()  # 在当前位置左键点击
dc.click(100, 200, button="right")  # 在指定位置右键点击

# 键盘操作
dc.type_text("Hello from OpenClaw!")
dc.hotkey("ctrl", "c")  # 复制
dc.press("enter")

# 屏幕操作
screenshot = dc.screenshot()
position = dc.get_mouse_position()

📋 完整 API 参考

鼠标函数

move_mouse(x, y, duration=0, smooth=True)

将鼠标移动到绝对屏幕坐标。

参数:

  • x (int): X 坐标(距离左边的像素数)
  • y (int): Y 坐标(距离顶部的像素数)
  • duration (float): 移动时间(秒)(0 = 瞬间,0.5 = 平滑)
  • smooth (bool): 使用贝塞尔曲线进行自然移动

示例:

# 瞬间移动
dc.move_mouse(1000, 500)

# 平滑的 1 秒移动
dc.move_mouse(1000, 500, duration=1.0)

move_relative(x_offset, y_offset, duration=0)

相对于当前位置移动鼠标。

参数:

  • x_offset (int): 水平移动像素(正数 = 向右)
  • y_offset (int): 垂直移动像素(正数 = 向下)
  • duration (float): 移动时间(秒)

示例:

# 向右移动 100px,向下移动 50px
dc.move_relative(100, 50, duration=0.3)

click(x=None, y=None, button='left', clicks=1, interval=0.1)

执行鼠标点击。

参数:

  • x, y (int, 可选): 点击坐标(None = 当前位置)
  • button (str): 'left'、'right'、'middle'
  • clicks (int): 点击次数(1 = 单击,2 = 双击)
  • interval (float): 多次点击之间的延迟

示例:

# 简单左键点击
dc.click()

# 在指定位置双击
dc.click(500, 300, clicks=2)

# 右键点击
dc.click(button='right')

drag(start_x, start_y, end_x, end_y, duration=0.5, button='left')

拖放操作。

参数:

  • start_x, start_y (int): 起始坐标
  • end_x, end_y (int): 结束坐标
  • duration (float): 拖动持续时间
  • button (str): 使用的鼠标按键

示例:

# 将文件从桌面拖到文件夹
dc.drag(100, 100, 500, 500, duration=1.0)

scroll(clicks, direction='vertical', x=None, y=None)

滚动鼠标滚轮。

参数:

  • clicks (int): 滚动量(正数 = 向上/向左,负数 = 向下/向右)
  • direction (str): 'vertical' 或 'horizontal'
  • x, y (int, 可选): 滚动位置

示例:

# 向下滚动 5 次
dc.scroll(-5)

# 向上滚动 10 次
dc.scroll(10)

# 水平滚动
dc.scroll(5, direction='horizontal')

get_mouse_position()

获取当前鼠标坐标。

返回: (x, y) 元组

示例:

x, y = dc.get_mouse_position()
print(f"鼠标位置: {x}, {y}")

键盘函数

type_text(text, interval=0, wpm=None)

以可配置的速度输入文本。

参数:

  • text (str): 要输入的文本
  • interval (float): 按键之间的延迟(0 = 瞬间)
  • wpm (int, 可选): 每分钟字数(覆盖 interval)

示例:

# 瞬间输入
dc.type_text("Hello World")

# 拟人化输入,60 WPM
dc.type_text("Hello World", wpm=60)

# 慢速输入,按键间隔 0.1 秒
dc.type_text("Hello World", interval=0.1)

press(key, presses=1, interval=0.1)

按下并释放按键。

参数:

  • key (str): 按键名称(见按键名称部分)
  • presses (int): 按下次数
  • interval (float): 按下之间的延迟

示例:

# 按 Enter
dc.press('enter')

# 按空格键 3 次
dc.press('space', presses=3)

# 按下箭头键
dc.press('down')

hotkey(*keys, interval=0.05)

执行键盘快捷键。

参数:

  • *keys (str): 要同时按下的按键
  • interval (float): 按键之间的延迟

示例:

# 复制(Ctrl+C)
dc.hotkey('ctrl', 'c')

# 粘贴(Ctrl+V)
dc.hotkey('ctrl', 'v')

# 打开运行对话框(Win+R)
dc.hotkey('win', 'r')

# 保存(Ctrl+S)
dc.hotkey('ctrl', 's')

# 全选(Ctrl+A)
dc.hotkey('ctrl', 'a')

key_down(key) / key_up(key)

手动控制按键状态。

示例:

# 按住 Shift
dc.key_down('shift')
dc.type_text("hello")  # 输入 "HELLO"
dc.key_up('shift')

# 按住 Ctrl 并点击(用于多选)
dc.key_down('ctrl')
dc.click(100, 100)
dc.click(200, 100)
dc.key_up('ctrl')

屏幕函数

screenshot(region=None, filename=None)

捕获屏幕或区域。

参数:

  • region (tuple, 可选): (left, top, width, height) 用于部分捕获
  • filename (str, 可选): 保存图像的路径

返回: PIL Image 对象

示例:

# 全屏
img = dc.screenshot()

# 保存到文件
dc.screenshot(filename="screenshot.png")

# 捕获特定区域
img = dc.screenshot(region=(100, 100, 500, 300))

get_pixel_color(x, y)

获取指定坐标的像素颜色。

返回: RGB 元组 (r, g, b)

示例:

r, g, b = dc.get_pixel_color(500, 300)
print(f"坐标 (500, 300) 的颜色: RGB({r}, {g}, {b})")

find_on_screen(image_path, confidence=0.8)

在屏幕上查找图像(需要 OpenCV)。

参数:

  • image_path (str): 模板图像路径
  • confidence (float): 匹配阈值(0-1)

返回: (x, y, width, height) 或 None

示例:

# 在屏幕上查找按钮
location = dc.find_on_screen("button.png")
if location:
    x, y, w, h = location
    # 点击找到的图像中心
    dc.click(x + w//2, y + h//2)

get_screen_size()

获取屏幕分辨率。

返回: (width, height) 元组

示例:

width, height = dc.get_screen_size()
print(f"屏幕: {width}x{height}")

窗口函数

get_all_windows()

列出所有打开的窗口。

返回: 窗口标题列表

示例:

windows = dc.get_all_windows()
for title in windows:
    print(f"窗口: {title}")

activate_window(title_substring)

通过标题将窗口置于前台。

参数:

  • title_substring (str): 要匹配的窗口标题部分

示例:

# 激活 Chrome
dc.activate_window("Chrome")

# 激活 VS Code
dc.activate_window("Visual Studio Code")

get_active_window()

获取当前焦点窗口。

返回: 窗口标题(str)

示例:

active = dc.get_active_window()
print(f"活动窗口: {active}")

剪贴板函数

copy_to_clipboard(text)

将文本复制到剪贴板。

示例:

dc.copy_to_clipboard("Hello from OpenClaw!")

get_from_clipboard()

从剪贴板获取文本。

返回: str

示例:

text = dc.get_from_clipboard()
print(f"剪贴板内容: {text}")

⌨️ 按键名称参考

字母键

'a' 到 'z'

数字键

'0' 到 '9'

功能键

'f1' 到 'f24'

特殊键

  • 'enter' / 'return'
  • 'esc' / 'escape'
  • 'space' / 'spacebar'
  • 'tab'
  • 'backspace'
  • 'delete' / 'del'
  • 'insert'
  • 'home'
  • 'end'
  • 'pageup' / 'pgup'
  • 'pagedown' / 'pgdn'

方向键

  • 'up' / 'down' / 'left' / 'right'

修饰键

  • 'ctrl' / 'control'
  • 'shift'
  • 'alt'
  • 'win' / 'winleft' / 'winright'
  • 'cmd' / 'command'(Mac)

锁定键

  • 'capslock'
  • 'numlock'
  • 'scrolllock'

标点符号

  • '.' / ',' / '?' / '!' / ';' / ':'
  • '[' / ']' / '{' / '}'
  • '(' / ')'
  • '+' / '-' / '*' / '/' / '='

🛡️ 安全特性

故障保护模式

将鼠标移到屏幕的任意角落以中止所有自动化操作。

# 启用故障保护(默认启用)
dc = DesktopController(failsafe=True)

暂停控制

# 暂停所有自动化操作 2 秒
dc.pause(2.0)

# 检查是否可以安全继续自动化
if dc.is_safe():
    dc.click(500, 500)

批准模式

操作前需要用户确认:

dc = DesktopController(require_approval=True)

# 这将请求确认
dc.click(500, 500)  # 提示: "Allow click at (500, 500)? [y/n]"

🎨 高级示例

示例 1:自动填充表单

dc = DesktopController()

# 点击姓名字段
dc.click(300, 200)
dc.type_text("John Doe", wpm=80)

# Tab 到下一个字段
dc.press('tab')
dc.type_text("john@example.com", wpm=80)

# Tab 到密码字段
dc.press('tab')
dc.type_text("SecurePassword123", wpm=60)

# 提交表单
dc.press('enter')

示例 2:截图区域并保存

# 捕获特定区域
region = (100, 100, 800, 600)  # left, top, width, height
img = dc.screenshot(region=region)

# 使用时间戳保存
import datetime
timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
img.save(f"capture_{timestamp}.png")

示例 3:多文件选择

# 按住 Ctrl 并点击多个文件
dc.key_down('ctrl')
dc.click(100, 200)  # 第一个文件
dc.click(100, 250)  # 第二个文件
dc.click(100, 300)  # 第三个文件
dc.key_up('ctrl')

# 复制选定的文件
dc.hotkey('ctrl', 'c')

示例 4:窗口自动化

# 激活计算器
dc.activate_window("Calculator")
time.sleep(0.5)

# 输入计算
dc.type_text("5+3=", interval=0.2)
time.sleep(0.5)

# 截图结果
dc.screenshot(filename="calculation_result.png")

示例 5:拖放文件

# 将文件从源位置拖到目标位置
dc.drag(
    start_x=200, start_y=300,  # 文件位置
    end_x=800, end_y=500,       # 文件夹位置
    duration=1.0                 # 平滑的 1 秒拖动
)

⚡ 性能提示

  1. 使用瞬间移动以提高速度:duration=0
  2. 批量操作而不是单独调用
  3. 缓存屏幕位置而不是重新计算
  4. 禁用故障保护以获得最大性能(谨慎使用)
  5. 使用快捷键而不是菜单导航

⚠️ 重要说明

  • 屏幕坐标从左上角的 (0, 0) 开始
  • 多显示器设置可能为辅助显示器提供负坐标
  • Windows DPI 缩放可能影响坐标精度
  • 故障保护角落是:(0,0)、(width-1, 0)、(0, height-1)、(width-1, height-1)
  • 某些应用程序可能阻止模拟输入(游戏、安全应用)

🔧 故障排除

鼠标未移动到正确位置

  • 检查 DPI 缩放设置
  • 验证屏幕分辨率是否符合预期
  • 使用 get_screen_size() 确认尺寸

键盘输入不工作

  • 确保目标应用程序有焦点
  • 某些应用需要管理员权限
  • 尝试增加 interval 以提高可靠性

故障保护意外触发

  • 增加屏幕边框容差
  • 正常使用时将鼠标移离角落
  • 如需要可禁用:DesktopController(failsafe=False)

权限错误

  • 以管理员权限运行 Python 以执行某些操作
  • 某些安全应用程序阻止自动化

📦 依赖

  • PyAutoGUI - 核心自动化引擎
  • Pillow - 图像处理
  • OpenCV(可选)- 图像识别
  • PyGetWindow - 窗口管理

全部安装:

pip install pyautogui pillow opencv-python pygetwindow

为 OpenClaw 构建 - 终极桌面自动化伴侣 🦞