Desktop Control

Desktop Control 技能

OpenClaw 最先进的高级桌面自动化技能。 提供像素级精确的鼠标控制、超快的键盘输入、屏幕捕获、窗口管理和剪贴板操作。

🎯 功能

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、类似人类的鼠标路径
• ✅ 点击类型 - 左键、右键、中键、双击、三击
• ✅ 拖放 - 从 A 点拖到 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）
• ✅ 特殊键 - Enter、Tab、Escape、方向键、功能键
• ✅ 组合键 - 多键按压组合
• ✅ 按住与释放 - 手动按键状态控制
• ✅ 输入速度 - 可配置的 WPM（即时到类似人类）

屏幕操作

• ✅ 截图 - 捕获整个屏幕或区域
• ✅ 图像识别 - 在屏幕上查找元素（通过 OpenCV）
• ✅ 颜色检测 - 获取坐标处的像素颜色
• ✅ 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 - 将窗口置于最前面
• ✅ 窗口信息 - 获取位置、大小、标题
• ✅ 最小化/最大化 - 控制窗口状态

安全功能

• ✅ 故障保护 - 将鼠标移到角落以中止
• ✅ 暂停控制 - 紧急停止机制
• ✅ 审批模式 - 操作前需要确认
• ✅ 边界检查 - 防止屏幕外操作
• ✅ 日志记录 - 跟踪所有自动化操作

🚀 快速开始

安装

首先，安装所需的依赖项：

pip install pyautogui pillow opencv-python pygetwindow

基本用法

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（距左侧的像素）
• y (int): Y 坐标（距顶部的像素）
• duration (float): 移动时间（秒）（0 = 即时，0.5 = 平滑）
• smooth (bool): 使用贝塞尔曲线进行自然移动

示例：

# 即时移动
dc.move_mouse(1000, 500)

# 平滑 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（正值 = 向右）
• y_offset (int): 垂直移动像素（正值 = 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()

# 在特定位置双击
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): 使用的鼠标按钮

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（正值 = 向上/向左，负值 = 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 格
dc.scroll(-5)

# 向上滚动 10 格
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"鼠标位于: {x}, {y}")

键盘函数

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

以可配置速度输入文本。

参数：

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

示例：

# 即时输入
dc.type_text("Hello World")

# 以 60 WPM 的速度类似人类输入
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)

按压并释放一个键。

参数：

• key (str): 键名（参见键名参考部分）
• presses (int): 按压次数
• interval (float): 按压之间的延迟

示例：

# 按 Enter
dc.press('enter')

# 按 Space 3 次
dc.press('space', presses=3)

# 按下方向键
dc.press('down')

hotkey(*keys, interval=0.05)

执行键盘快捷键。

参数：

• *keys (str): 一起按下的键
• 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): 保存图片的路径

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)

获取坐标处的像素颜色。

返回： RGB 元组 (r, g, b)

示例：

r, g, b = dc.get_pixel_color(500, 300)
print(f"(500, 300) 处的颜色: 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
    # 点击找到图像的中心
    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最前面。

参数：

• title_substring (str): 要匹配的窗口标题的一部分

示例：

# 激活 Chrome
dc.activate_window("Chrome")

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

get_active_window()

获取当前聚焦的窗口。

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: {text}")

⌨️ 键名参考

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

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

🛡️ 安全功能

故障保护模式

将鼠标移动到屏幕的任意角落以中止所有自动化。

# 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 2 秒
dc.pause(2.0)

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

审批模式

在执行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: "允许在 (500, 500) 点击吗? [y/n]"

🎨 高级示例

示例 1：自动填写表单

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
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)  # 左, 上, 宽, 高
img = dc.screenshot(region=region)

# 带时间戳保存
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')

# 复制选中的文件
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 1 秒拖动
)

⚡ 性能提示

1. 使用即时移动 以提高速度：duration=0
2. 批量操作 而不是单个调用
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 的次要显示器可能有负坐标
• Windows DPI 缩放 可能会影响坐标准确性
• 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 可能会阻止模拟输入（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

键盘输入不起作用

• 确保目标应用已获得焦点
• 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

• 增加屏幕边距容忍度
• 正常使用时将鼠标远离角落
• 如需禁用：DesktopController(failsafe=False)

权限错误

• 对于某些操作，以管理员权限运行 Python
• 某些安全应用会阻止自动化

📦 依赖项

• 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 🦞