通用电脑视觉自动化 Skill 体系
这是一个完整的 基于图像识别+OCR 的电脑自动化技能框架，包含多个可独立调用的最小执行单元，也可以自由组合成复杂的自动化任务。本技能包是合集，可以根据需求拆分使用单个单元。
目录结构
computer_skill/
├─ templates/ # 永久模板库（不删除）
│ ├─ desktop/ # 桌面图标模板
│ ├─ taskbar/ # 任务栏图标模板
│ ├─ system/ # 系统通用按钮模板
│ └─ wechat/ # 微信示例模板（以后可新增其他软件）
└─ temp/ # 临时截图（用完立即删除）
核心特性
- 🎯 原子化设计：所有功能拆分为最小可执行单元，按需组合
- 🔍 双重定位：OCR文字识别优先，模板匹配兜底，兼顾准确性和灵活性
- 🖱️ 全功能支持：截图、识别、定位、点击、输入全流程支持
- ♻️ 支持循环监控：可以设置自动循环，实现持续监控和重复任务
- 📝 简单易扩展：用
call 单元名 参数格式即可编写新技能
所有最小可执行单元清单
| 单元名称 | 固定调用名 | 功能 | 单独调用方式 |
|---|---|---|---|
| 初始化环境 | init_env |
创建目录结构、清空 temp、检查模板目录 | call init_env |
| 全屏截图 | screenshot_full |
截取整个屏幕保存为 temp/screen.png | call screenshot_full |
| 检查截图有效性 | check_screenshot_valid |
检查是否黑屏/冻结，无效则唤醒界面 | call check_screenshot_valid |
| 唤醒界面 | wake_window |
解决后台不渲染、截图黑屏问题 | call wake_window |
| OCR识别 | ocr_recognize |
识别屏幕所有文字与对应坐标 | call ocr_recognize |
| 模板匹配 | template_match |
用模板图匹配定位图标/按钮 | call template_match 分类 模板名称 |
| 统一定位 | locate_target |
OCR优先，找不到再用模板匹配，返回目标坐标 | call locate_target 目标文字 或 分类+模板名 |
| 鼠标点击 | mouse_click |
移动到指定坐标执行点击 | call mouse_click X Y [点击类型，默认单击] |
| 键盘输入 | keyboard_input |
定位输入框后输入文字 | call keyboard_input 目标坐标/描述 输入内容 |
| 清理临时文件 | clean_temp |
删除临时截图，释放空间 | call clean_temp |
| 循环重启 | loop_restart |
等待2秒后回到截图重新开始 | call loop_restart |
使用方法
单独调用单元
格式:
call [单元调用名] [参数...]
示例:
- 初始化环境：call init_env
- 模板匹配微信图标：call template_match desktop wechat
- 点击坐标(100,200)双击：call mouse_click 100 200 双击
组合成新任务
按执行顺序，每行写一个调用指令，即可组合成自定义新任务：
格式示例（打开微信）:
# 任务名称：打开微信
call init_env
call screenshot_full
call check_screenshot_valid
call locate_target 微信 desktop wechat
call mouse_click {{定位结果X}} {{定位结果Y}} 双击
call clean_temp
组合步骤:
1. 先写任务名称和说明（方便后续识别）
2. 按执行顺序，每行一条 call 单元名 参数 指令
3. 坐标可以用变量 {{定位结果X}} {{定位结果Y}} 承接上一个单元的输出
4. 需要循环的话，最后加 call loop_restart
5. 保存自定义技能后，后续直接 call 技能名称 调用
完整主流程调用示例
# 通用主流程：vision_auto_main
call init_env
call screenshot_full
call check_screenshot_valid
call ocr_recognize
# 如果需要模板匹配，加这行：call template_match 分类 名称
call locate_target 目标文字
call mouse_click {{X}} {{Y}}
# 如果需要输入文字，替换上面一行为：call keyboard_input {{X}} {{Y}} 输入内容
call clean_temp
# 需要循环就加：call loop_restart
完整主流程说明 (vision_auto_main)
执行顺序（从上到下依次执行）：
init_env→ 初始化环境（创建目录+清空temp+检查模板目录）screenshot_full→ 截取全屏保存为temp/screen.pngcheck_screenshot_valid→ 检查截图是否有效
├─ 有效 → 继续下一步
└─ 无效 → 调用wake_window后回到 step 2 重试ocr_recognize→ OCR识别屏幕所有文字与坐标template_match→ 如果需要，进行模板图匹配定位locate_target→ 统一定位目标（OCR优先，模板补充）- 分支执行：
├─ 需要鼠标点击 →mouse_click→ 点击目标坐标
└─ 需要文字输入 →keyboard_input→ 输入目标文字 clean_temp→ 删除临时截图，不保留任何临时文件loop_restart（可选） → 如果需要循环监控/重复任务，执行循环重启
└─ 不需要循环 → 流程结束
运行规则
- temp目录：只允许存在一张截图，每次运行前必须清空temp目录
- templates目录：目录内的图片永久保存，不删除
依赖
- Python 3.x
- OpenCV (模板匹配)
- pytesseract / 其他OCR引擎
- pyautogui (鼠标键盘控制)
- PIL (图像处理)
