Screen Control — 屏幕操控技能
概述
通过 OpenClaw Node + pyautogui + OCR，实现对电脑屏幕的识别和鼠标键盘操控。
架构
用户指令 → Agent → screen_control.py (pyautogui + OCR) → 屏幕操作
↕
OpenClaw Node (截图/远程执行)
前置条件
- OpenClaw Node — 需配对成功（见 references/setup-guide.md）
- Python依赖 — pyautogui, pillow, mss, pytesseract（如需OCR）
- Tesseract-OCR — 如需文字识别功能（安装指引见 setup-guide.md）
工作流程
当用户要求操控电脑时：
Step 1：确认屏幕状态
python {baseDir}/scripts/screen_control.py screenshot
python {baseDir}/scripts/screen_control.py size
获取当前屏幕画面和分辨率，AI识别画面内容。
Step 2：分析画面 + 定位目标
AI分析截图，确定需要操作的坐标或内容。
- 如果目标基于图片：
locate <image_path> - 如果目标基于文字：
clicktext "确定" - 如果目标基于坐标：
click 500 300
Step 3：执行操作
# 打开浏览器
press_key("win") + type_text("chrome") + press_key("enter")
# 打开网页
type_text("douyin.com\n") # \n = enter
# 拖动
mouse_drag(100, 100, 500, 500)
# 复制粘贴
hotkey("ctrl", "c")
hotkey("ctrl", "v")
Step 4：验证结果
再次截图确认操作结果。
脚本命令速查
| 命令 | 参数 | 说明 |
|---|---|---|
| screenshot | 无 | 截图保存到文件 |
| size | 无 | 获取屏幕分辨率 |
| move | x y | 移动鼠标 |
| click | x y [button] | 点击（按钮: left/right/middle） |
| doubleclick | x y | 双击 |
| text | "文字" | 键盘输入文字 |
| key | key_name | 按键（enter/esc/tab等） |
| locate | image_path | 查找图片位置 |
| findtext | "文字" | 查找文字位置 |
| clicktext | "文字" | 查找并点击文字 |
| scroll | clicks | 滚动（正=上，负=下） |
| color | x y | 获取像素颜色 |
常用场景
1. 自动登录平台后台
截图 → 定位登录框坐标 → 输入账号密码 → 点击登录按钮
2. 批量操作抖音/小红书后台
截图 → 找到发布按钮 → 点开 → 上传视频/图片 → 填写标题 → 发布
3. 打开特定软件/文件
按Win键 → 搜索程序名 → 回车打开
4. 文件整理/批量重命名
打开文件夹 → 选中文件 → 执行操作
安全注意
- 操作前先截图给用户确认
- 任何破坏性操作（删除文件、修改配置）需用户确认
- 使用 pyautogui.FAILSAFE=True（左上角急停）
- 不要在用户未授权的情况下操作浏览器密码/支付页面