windows-control

name	windows-control
description	完整的 Windows 桌面控制。鼠标、键盘、屏幕截图 - 像人类一样与任何 Windows 应用程序交互。

Windows 控制技巧

Windows 的完整桌面自动化。像人类用户一样控制鼠标、键盘和屏幕。

快速入门

所有脚本都位于“skills/windows-control/scripts/”中

截屏

py screenshot.py > output.b64

返回整个屏幕的 base64 PNG。

点击

py click.py 500 300              # Left click at (500, 300)
py click.py 500 300 right        # Right click
py click.py 500 300 left 2       # Double click

输入文本

py type_text.py "Hello World"

在当前光标位置键入文本（按键之间间隔 10 毫秒）。

按键

py key_press.py "enter"
py key_press.py "ctrl+s"
py key_press.py "alt+tab"
py key_press.py "ctrl+shift+esc"

移动鼠标

py mouse_move.py 500 300

将鼠标移动到坐标（平滑的 0.2 秒动画）。

滚动

py scroll.py up 5      # Scroll up 5 notches
py scroll.py down 10   # Scroll down 10 notches

窗口管理（新！）

py focus_window.py "Chrome"           # Bring window to front
py minimize_window.py "Notepad"       # Minimize window
py maximize_window.py "VS Code"       # Maximize window
py close_window.py "Calculator"       # Close window
py get_active_window.py               # Get title of active window

高级操作（新！）

# Click by text (No coordinates needed!)
py click_text.py "Save"               # Click "Save" button anywhere
py click_text.py "Submit" "Chrome"    # Click "Submit" in Chrome only

# Drag and Drop
py drag.py 100 100 500 300            # Drag from (100,100) to (500,300)

# Robust Automation (Wait/Find)
py wait_for_text.py "Ready" "App" 30  # Wait up to 30s for text
py wait_for_window.py "Notepad" 10    # Wait for window to appear
py find_text.py "Login" "Chrome"      # Get coordinates of text
py list_windows.py                    # List all open windows

读取窗口文本

py read_window.py "Notepad"           # Read all text from Notepad
py read_window.py "Visual Studio"     # Read text from VS Code
py read_window.py "Chrome"            # Read text from browser

使用 Windows UI 自动化提取实际文本（不是 OCR）。比截图更快、更准确！

读取 UI 元素（新！）

py read_ui_elements.py "Chrome"               # All interactive elements
py read_ui_elements.py "Chrome" --buttons-only  # Just buttons
py read_ui_elements.py "Chrome" --links-only    # Just links
py read_ui_elements.py "Chrome" --json          # JSON output

返回带有点击坐标的按钮、链接、选项卡、复选框、下拉列表。

阅读网页内容（新！）

py read_webpage.py                     # Read active browser
py read_webpage.py "Chrome"            # Target Chrome specifically
py read_webpage.py "Chrome" --buttons  # Include buttons
py read_webpage.py "Chrome" --links    # Include links with coords
py read_webpage.py "Chrome" --full     # All elements (inputs, images)
py read_webpage.py "Chrome" --json     # JSON output

增强了浏览器内容提取，包括标题、文本、按钮和链接。

处理对话框（新！）

# List all open dialogs
py handle_dialog.py list

# Read current dialog content
py handle_dialog.py read
py handle_dialog.py read --json

# Click button in dialog
py handle_dialog.py click "OK"
py handle_dialog.py click "Save"
py handle_dialog.py click "Yes"

# Type into dialog text field
py handle_dialog.py type "myfile.txt"
py handle_dialog.py type "C:\path\to\file" --field 0

# Dismiss dialog (auto-finds OK/Close/Cancel)
py handle_dialog.py dismiss

# Wait for dialog to appear
py handle_dialog.py wait --timeout 10
py handle_dialog.py wait "Save As" --timeout 5

处理保存/打开对话框、消息框、警报、确认等。

按名称单击元素（新！）

py click_element.py "Save"                    # Click "Save" anywhere
py click_element.py "OK" --window "Notepad"   # In specific window
py click_element.py "Submit" --type Button    # Only buttons
py click_element.py "File" --type MenuItem    # Menu items
py click_element.py --list                    # List clickable elements
py click_element.py --list --window "Chrome"  # List in specific window

按名称单击按钮、链接、菜单项，无需坐标。

读取屏幕区域（OCR - 可选）

py read_region.py 100 100 500 300     # Read text from coordinates

注意：需要安装 Tesseract OCR。使用 read_window.py 代替以获得更好的结果。

工作流程模式

1. 阅读窗口 - 从特定窗口提取文本（快速、准确）
2. 读取UI元素 - 获取带有坐标的按钮、链接
3. 屏幕截图（如果需要）- 查看视觉布局
4. Act - 按名称或坐标单击元素
5. 处理对话框 - 与弹出窗口/保存对话框交互
6. 阅读窗口 - 验证更改

屏幕坐标

• 原点 (0, 0) 是左上角
• 您的屏幕：2560x1440（查看屏幕截图）
• 使用屏幕截图分析中的坐标

示例

打开记事本并输入

# Press Windows key
py key_press.py "win"

# Type "notepad"
py type_text.py "notepad"

# Press Enter
py key_press.py "enter"

# Wait a moment, then type
py type_text.py "Hello from AI!"

# Save
py key_press.py "ctrl+s"

单击 VS Code

# Read current VS Code content
py read_window.py "Visual Studio Code"

# Click at specific location (e.g., file explorer)
py click.py 50 100

# Type filename
py type_text.py "test.js"

# Press Enter
py key_press.py "enter"

# Verify new file opened
py read_window.py "Visual Studio Code"

监视记事本更改

# Read current content
py read_window.py "Notepad"

# User types something...

# Read updated content (no screenshot needed!)
py read_window.py "Notepad"

文本阅读方法

方法 1：Windows UI 自动化（最佳）

• 对任何窗口使用“read_window.py”
• 对带有坐标的按钮/链接使用“read_ui_elements.py”
• 使用“read_webpage.py”来获取具有结构的浏览器内容
• 获取实际的文本数据（不是基于图像的）

Method 2: Click by Name (NEW)

• 使用“click_element.py”按名称单击按钮/链接
• 无需坐标 - 自动查找元素
• 适用于所有窗口或目标特定窗口

方法 3：对话框处理（新）

• 使用“handle_dialog.py”弹出窗口、保存对话框、警报
• 阅读对话框内容，单击按钮，输入文本
• 使用常用按钮自动关闭（确定、取消等）

方法4：屏幕截图+视觉（后备）

• 截取完整屏幕截图
• 人工智能以视觉方式读取文本
• 速度较慢，但适用于任何内容

方法 5：OCR（可选）

• 将 read_region.py 与 Tesseract 一起使用
• 需要额外安装
• 适合带有文本的图像/PDF

安全特性

• pyautogui.FAILSAFE = True（将鼠标移至左上角以中止）
• 动作之间的小延迟
• 平滑的鼠标移动（不是即时跳跃）

要求

• Python 3.11+
• pyautogui（已安装✅）
• 枕头（已安装✅）

尖端

• 始终先截图以查看当前状态
• 坐标是绝对的（不相对于窗口）
• 点击后短暂等待 UI 更新
• 尽可能使用“ctrl+z”友好操作

---

状态： ✅ 准备使用（v2.0 - 对话框和 UI 元素） 创建时间： 2026-02-01 更新时间： 2026-02-02