wechat-ops/SKILL.md

name, description

name	description
wechat-ops	用「截图 → 视觉识别 → 动作 → 截图验证」的闭环操作电脑，代替人手点按钮、输文字、切窗口、走界面流程。只要用户想让你「帮我点一下」「操作我的电脑」「自动发个朋友圈/消息」「把这段文字输入到某个软件」「帮我走一遍这个界面流程」「模拟点击」「识图点击」「截图找按钮」「GUI 自动化」「RPA」，都必须使用本技能——即使用户没说要"用技能"。核心特征：坐标绝不写死落盘，每次实时看图现算、事后验证。若目标是在 Linux 云服务器上 7x24 挂机微信、微信自动回复、微信值守机器人，走 references/linux-server.md 的常驻 Agent 路线。若目标是在 Figma 画布内做设计，请改用 Figma 系列技能。

WeChat Ops

用视觉驱动的方式操作电脑：看屏幕 → 判断点哪里 → 动手 → 再看一眼确认。

零、两条路线，先选对

	路线 A：macOS 本机（本文件主体）	路线 B：Linux 云服务器（references/linux-server.md）
场景	操作你眼前电脑的一次性界面任务	微信 7x24 挂机、自动回复值守
工具	scripts/vision.py（pyautogui）	scripts/agent.py（GLM 视觉 Agent，systemd 常驻）
坐标哲学	易耗品：每次实时定位，绝不落盘	固定资产：虚拟屏分辨率+最大化窗口固定，一次校准长期有效
决策	你实时判断	白名单+GLM 拟回复+代码闸门

两条路线共享同一套纪律（见 references/ops-workflow.md）：失败基线优先、每步截图验证、 安全闸门固化进代码、证据分级表述、守卫检查、三方同步。

---

一、核心原则

1. 坐标是易耗品，绝不落盘

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：

• 技能里存的是「怎么找到它」，不是「它在哪」
  • ❌ 朋友圈入口在 (30, 297)
  • ✅ 朋友圈是左侧边栏第 5 个图标，光圈形状
• 坐标只存在于本次任务的上下文里，任务结束即作废。
• 如果你正想「把这次成功的坐标记下来下次直接用」——停。那是在造一个明天就会坏的缓存。该记的是语义特征和判断方法。

这条是整个技能的地基。写死坐标的方案（无论存成 JSON 还是 Markdown）都只是把脆弱的快照换了个格式。

2. 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"。

每次动作后截一张图，确认结果符合预期，再做下一步。看起来慢，实际上：

• 点错了能立刻发现并纠正，而不是一路错到底
• 界面和预想不一致时（弹窗、加载中、位置变了）能及时改道

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。

3. 先想清楚交互方式，再动手

同一个控件，单击和长按可能完全是两回事。动手前先问：这个操作是单击、双击、长按、右键还是拖拽？

真实案例：微信朋友圈的相机图标，单击打开"选图片"文件框，长按才出纯文字发布框。没搞清楚就会点出一个文件选择器。

拿不准就先用 --dry 或在无关紧要的地方试。

二、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 输出的是物理像素（Retina 通常是 2 倍）
• pyautogui 点击用的是逻辑像素

vision.py 已经处理了这件事：截图时自动缩放到逻辑分辨率，所以

图上量到的坐标 = 直接可用的点击坐标

这正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。

三、工具：scripts/vision.py

命令	作用
shot [名字]	截当前屏，缩放到逻辑分辨率。始终刷新 cur.png
grid [名字] [间距]	截图并叠加带刻度的坐标网格，读位置不用估算
crop x1 y1 x2 y2 [名字] [倍数]	精确裁剪放大，看小图标/小字。左上角标注原点
click X Y	单击
dclick X Y	双击
longpress X Y [秒]	长按（默认 1.2 秒）
move X Y	只移动鼠标
activate 名称	按窗口/进程名激活并置前
type "文本"	输入文本，走剪贴板，支持中文长文本
key cmd+v	按键，支持 cmd+shift+f 这类组合
scroll N [X Y]	滚动。可指定鼠标落点——滚轮事件发给指针所在的视图
pos	打印屏幕尺寸和当前鼠标位置

截图统一存在 /tmp/wechat_ops/。

环境依赖：pip install pyautogui pyperclip pillow，并在「系统设置 → 隐私与安全性 → 辅助功能」里授权终端。

四、标准流程

1. 激活目标窗口          activate <名称>
2. 看清全貌              shot / grid
3. 定位目标元素          grid 读数 → crop 放大确认（两种方法对上再动手）
4. 执行动作              click / longpress / type / key
5. 截图验证              shot，确认结果符合预期
   └─ 不符合 → 回到 2 重新定位

第 3 步的「两种方法对上」很重要：网格给你绝对位置，裁剪放大给你细节确认。两者一致时基本不会点错。

五、定位技巧

网格读数（找大致位置）

python3 vision.py grid wxgrid 50

在截图上画出每 50px 的红色竖线、蓝色横线并标注刻度。直接读刻度，不靠目测。

裁剪放大（确认细节 + 精确定位）

python3 vision.py crop 0 275 70 335 icon_check 6

放大 6 倍后能看清图标形状、文字内容。输出图左上角标注了裁剪原点（如 origin=(0,275) x6），在放大图里量到的偏移除以倍数、加上原点，就是绝对坐标。

这条标注是刻意设计的：没有它，在放大图里读数极易把原点搞错。

判断元素身份

图标类元素靠形状认（光圈=朋友圈、相机=发表、铃铛=通知），不靠位置猜。文字类直接放大读。

六、已知陷阱（都是实测踩过的）

1. 中文输入法会吃掉组合键

pyautogui.hotkey('command', 'v') 在拼音输入法下会退化成裸字母 v，弹出一个拼音候选框，文字根本没粘进去。

解法：用 AppleScript 发组合键。vision.py 的 type 命令在 macOS 上已默认走这条路：

osascript -e 'tell application "System Events" to keystroke "v" using command down'

自己写脚本时也要注意这一点。

2. 读图命令会读到旧截图

这是最隐蔽的一类错误：图本身没错，错的是它描述的那个瞬间已经过去了。你会对着一个不存在的界面做判断，然后点空，而且毫无察觉。

实测踩过两次：click → type → crop 这样连写时，中间没有 shot，crop 读到的是动作之前的 cur.png——于是明明输入成功了，看到的却是「占位文字还在」，差点重输一遍。

vision.py 的处理：crop / grid 每次自动重新截图。宁可多截一张（几十毫秒），也不要看错。自己写脚本时照做。

3. 弹窗会挡住目标

点了一个按钮后可能弹出对话框、文件选择器、权限提示。动作后一定截图，否则下一步会点在弹窗上。

按 esc 通常能关掉误弹的框。

4. 输入前先确认焦点

点击输入框后，最好截图确认光标进去了（占位文字消失、出现光标），再输入。否则文字可能跑到搜索框之类的别处。

5. 滚动前先把鼠标移进目标区域

滚轮事件发给指针当前所在的那个视图。指针停在别处（比如左侧聊天列表），你想滚朋友圈流，滚的是聊天列表——而且界面上看起来"没反应"，很容易误判成"已经到底了"。

vision.py scroll N X Y 会先移动鼠标再滚，就是为这个。

另外滚动方向要实测，别照搬直觉：本机实测 pyautogui.scroll(正数) 是让内容往上走（即翻到更旧的位置），和"正数向上"的字面意思相反。滚错方向时，你会以为已经到顶了，其实是在往下翻。

判断是否到顶：滚一大段后再反着滚回来，如果位置没变，那就是真到边界了。

6. 别在用户的真实账号里乱试

操作微信、邮箱、支付这类真实应用时，先想清楚这一步有没有副作用。

七、安全边界

以下动作先跟用户确认再执行：

• 对外发布：发朋友圈、发消息、发邮件、提交表单
• 破坏性：删除、覆盖、清空、退出未保存的编辑
• 花钱：下单、支付、订阅
• 不可逆：任何做了就回不去的操作

确认时把「将要发生什么」说清楚，而不是只问「可以吗」。

一个实用的做法：把流程走到最后一步停住，让用户看到完整状态（文案已填、设置已选），再决定要不要按下那个不可逆的按钮。

八、完整案例：微信朋友圈发布纯文字

这个案例贯穿了上面所有原则，可作模板参考。

⚠️ 下面括号里的坐标是某一次实测值，仅供理解流程，不要照抄——每次都要重新定位。

步骤	动作	定位方式
1	activate 微信	按进程名激活
2	grid 看全貌	网格读数找到侧边栏第 5 个图标（光圈形状）= 朋友圈
3	crop 放大确认形状	交叉验证坐标 (30, 297)
4	click 进入朋友圈	截图确认已进入
5	找发布按钮	裁剪右上角，认出三个图标中最右的相机
6	longpress 相机图标	⚠️ 单击会弹文件框，长按才出纯文字框
7	click 输入区 → type "文案"	截图确认文字进去了
8	点「谁可以看」→ 选「私密」→ 确定	截图确认已变成「私密」
9	⏸️ 停住，问用户	发布是对外动作，确认后再点「发表」

关键教训都在这条流程里：长按 vs 单击、输入后验证、可见范围要显式设置、最后一步停下来问。

附：发图文朋友圈（和纯文字的关键差别）

同一个相机图标，要图就单击，纯文字就长按：

想要	对相机图标	后果
图文	单击	弹出系统文件选择器，选完图进发布框
纯文字	长按	直接进发布框（单击只会弹文件框）

图文流程比纯文字多两步：

1. 文件选择器里进目标目录（左侧「下载」「桌面」等），选中文件 → 点「打开」
   • 选完先裁剪确认高亮再点打开，否则可能选中的是相邻文件
2. 发布框里多了图片缩略图，其余（输入文案、谁可以看、发表）与纯文字一致

发表之后怎么验证

微信 Mac 版的朋友圈信息流不显示自己发的私密动态——发完回到信息流看不到自己的帖子，这是正常的，别据此判断失败、更别重发。

真正可靠的验证入口：点左下角自己的头像 → 资料卡里的「朋友圈」一行 → 我的朋友圈相册，按「今天 / 昨天 / 更早」分组列出自己的全部动态。刚发的那条会出现在最上面。

（顺带一提：这个「信息流看不到」的现象反过来也能当作旁证——如果一条动态在信息流里也出现了，那它多半不是私密。）

九、和「录制回放」方案的区别

	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
适合	固定不动的界面	会变、会弹窗、跨机器的真实场景

代价是慢一些、每步要截图。但对真实桌面应用来说，可靠性远比速度重要。