aster110 Desktop — CC 桌面操控
核心理念：触觉反馈
不截全屏传 AI（慢、贵），而是用 macOS 原生 OCR 当"触觉"。 鼠标移到哪 → OCR 哪 → Agent 知道手在哪、摸到什么。
CLI 工具栈
所有操作通过 Bash 调 CLI 工具完成：
# ===== 眼（感知） =====
# OCR 工具路径（ocr.py 在本 skill 目录下，venv 在 ~/tools/ocr-env/）
SKILL_DIR=".claude/skills/desktop"
OCR="$HOME/tools/ocr-env/bin/python3 $SKILL_DIR/ocr.py"
# 全屏 OCR（快速模式，~240ms，注意：中文必须用精确模式）
$OCR --screen --fast
# 全屏 OCR + JSON 包围盒（精确模式，~870ms）
$OCR --screen --bbox
# 鼠标附近 OCR（触觉，~250ms，默认 300x200）
$OCR --cursor
# 鼠标附近 OCR + JSON（带可点击坐标）
$OCR --cursor --bbox
# 鼠标附近 OCR（自定义区域大小）
$OCR --cursor --size 200x100
# 指定图片 OCR
$OCR /path/to/image.png
# ===== 手（操控） =====
# 获取鼠标位置
cliclick p:.
# 移动鼠标
cliclick m:500,300
# 点击
cliclick c:500,300
# 双击
cliclick dc:500,300
# 右键
cliclick rc:500,300
# 输入文字
cliclick t:"Hello World"
# 按键（回车、Tab 等）
# 注意：cliclick kp:return 在微信等部分应用中无效，优先用 osascript
osascript -e 'tell application "System Events" to key code 36' # Return（推荐）
cliclick kp:return # Return（备选）
cliclick kp:tab
cliclick kp:escape
# 键盘快捷键
osascript -e 'tell application "System Events" to keystroke "c" using command down'
osascript -e 'tell application "System Events" to keystroke "v" using command down'
osascript -e 'tell application "System Events" to keystroke "s" using command down'
osascript -e 'tell application "System Events" to keystroke "a" using command down'
# ===== 感知（窗口/应用状态） =====
# 当前可见应用列表
osascript -e 'tell application "System Events" to get name of every process whose visible is true'
# 当前前台窗口信息
osascript -e 'tell application "System Events" to get {name, position, size} of every window of (first process whose frontmost is true)'
# 切换到指定应用
osascript -e 'tell application "APP_NAME" to activate'
# 点击菜单
osascript -e 'tell application "System Events" to click menu item "ITEM" of menu "MENU" of menu bar 1 of process "APP"'
# 全屏截图（传 Claude 视觉兜底时用）
screencapture -x /tmp/desktop-screenshot.png
# 局部截图
screencapture -x -R "x,y,w,h" /tmp/desktop-region.png
操作流程
标准流程：点击按钮
1. 全屏 OCR 找目标
$OCR --screen --fast
→ 找到 "保存" @ (550, 300)
2. 移动鼠标 + 触觉确认
cliclick m:550,300
$OCR --cursor --size 200x100
→ 确认 "保存" 在鼠标下方 ✓
3. 点击
cliclick c:550,300
4. 触觉验证结果
$OCR --cursor
→ 确认操作成功
快捷流程：已知坐标直接点
cliclick c:550,300
文字输入
1. 点击输入框
cliclick c:400,200
2. 清空（全选+删除）
osascript -e 'tell application "System Events" to keystroke "a" using command down'
cliclick kp:delete
3. 输入文字
cliclick t:"要输入的内容"
OCR 找不到时的兜底
1. 全屏截图
screencapture -x /tmp/desktop-screenshot.png
2. 用 Read 工具读取截图（Claude 视觉）
→ Claude 自动分析截图内容
3. 根据 Claude 的分析结果决定操作
安全规则
| 级别 | 操作 | 策略 |
|---|---|---|
| 绿色 | 截图、OCR、读剪贴板、列窗口、移动鼠标 | 自动执行 |
| 黄色 | 点击、输入文字、切换窗口 | 执行并告知用户 |
| 红色 | 涉及密码、支付、删除、发消息 | 先问用户 |
禁区：
- 不操控 Terminal/iTerm（防 GUI 绕过权限控制）
- 不输入密码
- 不操作支付页面
- 不修改系统安全设置
OCR 输出格式
简洁模式（默认）
cursor: (516,703) ocr: 277ms
[0.50] 上线的时候记得把密码改强一点 @ (665,678)
[0.50] 己置那个上游的api 呢？ @ (508,744)
JSON 模式（--bbox）
{
"cursor": [516, 703],
"elapsed_ms": 243,
"items": [
{
"text": "保存",
"confidence": 0.98,
"bbox": [540, 290, 60, 30],
"center": [570, 305]
}
]
}
center 是文字中心坐标，可直接传给 cliclick c: 点击。
性能参考
| 操作 | 耗时 |
|---|---|
| 鼠标移动/点击 | < 10ms |
| 局部 OCR（300x200） | ~250ms |
| 全屏 OCR（快速） | ~240ms |
| 全屏 OCR（精确） | ~870ms |
| 获取窗口列表 | < 50ms |
微信操控脚本
本 skill 目录下有三个微信操控脚本，封装了完整的读/发/验证流程：
SKILL_DIR=".claude/skills/desktop"
# 读取当前聊天内容（OCR 聊天区域，排除标题栏和输入框）
$SKILL_DIR/wechat-read.sh # 简洁文字
$SKILL_DIR/wechat-read.sh --bbox # JSON 包围盒
# 发送文字消息（自动验证：OCR 输入框 count==0 = 成功）
$SKILL_DIR/wechat-send.sh "消息内容"
# 发送文件/图片（剪贴板 POSIX file → 粘贴 → 回车 → OCR 验证）
$SKILL_DIR/wechat-send-file.sh /path/to/file
使用前提
- 微信已打开并停留在目标聊天窗口
- 需要 cliclick（
brew install cliclick） - 需要 OCR 环境（
~/tools/ocr-env/，pyobjc + Vision Framework）
关键参数（脚本内固定）
SIDEBAR=310：微信侧边栏固定宽度（图标60 + 列表250）TITLE_H=50：顶部标题栏高度INPUT_H=110：底部输入框+工具栏高度
注意事项
- 中文 OCR 不用 --fast：fast 模式中文乱码，脚本默认用精确模式
- 坐标动态获取：每次操作前
osascript get {position, size}，不硬编码 - 焦点防抢：activate + delay 写在同一个 osascript block 里