WeChat Ops
用「截图 → 视觉识别 → 动作 → 截图验证」的闭环操作 macOS 电脑，代替人手点按钮、输文字、切窗口、走界面流程。
适用于 Claude Code、Codex 等支持 skill 的 AI 编程助手。
为什么不是「录制回放」
| 录制回放（写死坐标） | 本技能（视觉驱动） | |
|---|---|---|
| 定位时机 | 录制时定一次 | 每次执行时实时定位 |
| 界面变了 | 静默点错 | 看图发现异常，改道 |
| 出错后 | 不知道，继续错 | 截图验证，立即发现 |
| 存什么 | 像素坐标 | 语义特征 + 判断方法 |
坐标是易耗品：分辨率、窗口位置、应用版本、系统语言，任何一样变了写死的坐标就失效。所以本技能存的是**「怎么找到它」**，不是「它在哪」。
核心原则
- 坐标绝不落盘 —— 坐标只存在于本次任务的上下文里，任务结束即作废。该记的是语义特征和判断方法。
- 每步都要验证 —— 视觉方案真正的价值不是"能看图"，而是"点完能确认"。判断标准：如果这一步失败了你不会察觉，那这一步就该加验证。
- 先想清楚交互方式 —— 同一个控件，单击和长按可能完全是两回事。拿不准就先试。
安装
git clone https://github.com/kenyanghui/wechat-ops.git
cp -r wechat-ops ~/.claude/skills/ # Claude Code
cp -r wechat-ops ~/.codex/skills/ # Codex
依赖
pip3 install pyautogui pyperclip pillow
并在「系统设置 → 隐私与安全性」中授权：
- 辅助功能 —— 才能模拟点击和按键
- 屏幕录制 —— 才能截图。缺这项时
screencapture会静默返回成功但只拍到壁纸，只能靠看图发现
用法
python3 scripts/vision.py shot [名字] # 截图，自动缩放到逻辑分辨率
python3 scripts/vision.py grid [名字] [间距] # 叠加带刻度的坐标网格
python3 scripts/vision.py crop x1 y1 x2 y2 # 裁剪放大，看小图标/小字
python3 scripts/vision.py click X Y # 单击
python3 scripts/vision.py dclick X Y # 双击
python3 scripts/vision.py longpress X Y [秒] # 长按
python3 scripts/vision.py activate 微信 # 按窗口/进程名激活并置前
python3 scripts/vision.py type "文本" # 输入，走剪贴板，支持中文长文本
python3 scripts/vision.py key cmd+v # 按键，支持组合键
python3 scripts/vision.py scroll N [X Y] # 滚动，可指定鼠标落点
python3 scripts/vision.py pos # 打印屏幕尺寸与鼠标位置
截图统一存在 /tmp/wechat_ops/。
坐标系（先读这段，否则必错）
macOS Retina 屏上，截图分辨率和点击分辨率不是一回事：screencapture 输出物理像素（通常 2 倍），pyautogui 用逻辑像素。
vision.py 已自动把截图缩放到逻辑分辨率，所以：
图上量到的坐标 = 直接可用的点击坐标
这也是为什么所有操作都要走 vision.py，而不是直接 screencapture——手工换算 2 倍关系是最高频的错误来源。
已知陷阱
实测踩过的坑，完整版见 SKILL.md：
- 中文输入法会吃掉组合键 ——
pyautogui.hotkey('command','v')会退化成裸字母v。须用 AppleScript 发键（vision.py已处理） - 读图命令会读到旧截图 —— 图本身没错，错的是它描述的那个瞬间已经过去了（
crop/grid已默认重新截图） - 滚动前先把鼠标移进目标区域 —— 滚轮事件发给指针所在的那个视图
- 弹窗会挡住目标 —— 动作后一定截图
安全边界
以下动作先跟用户确认再执行：对外发布（发消息、发邮件、提交表单）、破坏性操作（删除、覆盖）、花钱（下单、支付）、任何不可逆的操作。
一个实用做法：把流程走到最后一步停住，让用户看到完整状态，再决定要不要按下那个不可逆的按钮。