Huo15 Openclaw Desktop Control

火一五桌控 · macOS 自动化心法

绑定的 MCP server：desktop-control（npm slug desktop-use-mcp，36 个 tool）。 激活时机：用户说"控制电脑 / 操作 macOS / 帮我点 X / 截屏看 Y / 在 Safari 里做 Z" 等任何要 LLM 替他动鼠标键盘 / 看屏幕 / 控制 app 的请求。

TL;DR — 三大心法（违反一条就大概率出幻觉）

1. AX 优先于像素：要点击 / 输入哪个元素，先 dump_ax_tree 或 find_element，再用返回的 eid 调 click_element_by_id。截图肉眼定坐标只在 AX 不可用时才用。
2. act tool 必带 expect_after：click / click_element_by_id / type / key / launch_url / open_app / focus_window / drag 都接 expect_after，操作后自动等元素出现 / 消失 / app 前置 / 等指定毫秒。没验证 = 没发生。
3. 每条返回末尾的 [state ...] 必看：里面写明 screenshot=Xs ago focus=… last=…@Ys actions=A/T。截图过期超 60s 还在沿用旧坐标 = 幻觉源头。

---

工具速记（36 个分 8 类）

---

标准 Pattern 库（直接套用）

Pattern 1 — 在某 app 里点指定按钮

1. open_app  app_name="Safari"  expect_after={kind:"app_frontmost", app_name:"Safari"}
2. find_element  app_spec="Safari"  selector={role:"AXButton", titleContains:"登录"}
   → 拿到 eid_xxxxxx
3. click_element_by_id  eid="eid_xxxxxx"
   expect_after={kind:"element_appears", app_spec:"Safari",
                 selector:{titleContains:"欢迎"}, timeout_ms:8000}

Pattern 2 — 填表 + 提交

1. click_element  app_spec="Safari"  selector={role:"AXTextField", titleContains:"邮箱"}
2. type  text="user@example.com"
3. key  key_sequence="tab"
4. type  text="my-password"
5. click_element  app_spec="Safari"  selector={role:"AXButton", title:"登录"}
   expect_after={kind:"element_disappears", app_spec:"Safari",
                 selector:{role:"AXTextField", titleContains:"邮箱"}, timeout_ms:10000}

Pattern 3 — 等弹窗 / 等加载完

wait_for_element  app_spec="..."  selector={titleContains:"加载完成"}  timeout_ms=15000
# 或者
verify_state  expectation={kind:"element_appears", app_spec:"...", selector:{...}}

Pattern 4 — 跨调用引用同一元素（防坐标飘移）

1. find_element  app_spec="Slack"  selector={role:"AXTextArea", titleContains:"消息"}
   → eid_abc123
2. （任意操作 / wait 几秒 / 滚动列表）
3. click_element_by_id  eid="eid_abc123"
   ↑ 桌控自动从最新 AX 树里重新解析此 eid，窗口移了 / 列表滚了都不影响。

Pattern 5 — 像素截图兜底（仅 AX 不可用时）

1. screenshot  → 看清楚目标位置 (x_img, y_img)
2. click  x=x_img  y=y_img  expect_after={kind:"wait", ms:500}
   ↑ 如果坐标超界或截图 > 60s，桌控会直接拒绝并告诉你"先重新截图"

---

反模式（这样写一定崩）

---

选 AX 还是截图：决策树

用户给的目标元素有名字 / 角色清晰（按钮、链接、输入框）？
  ├─ Yes → 用 AX：dump_ax_tree → find_element → click_element_by_id
  │
  └─ No（图标无标题 / 视觉化拖拽 / Canvas 内容 / 游戏画面）
       → 用截图：screenshot → 肉眼定位 → click(x,y)

OpenClaw / macOS 原生应用、第三方 macOS 应用绝大多数 AX 完整。Web 内容（Safari 里的网页）AX 完整度看网站；输入框 / 链接 / 按钮基本都有 AX 角色，可放心用 AX。

---

失败 → 自愈 SOP

桌控操作失败时按这个顺序：

1. 看 tool 返回的 [guardrail XXX] 错误码
   • NO_SCREENSHOT / COORDS_OUT_OF_BOUNDS → 先 screenshot
   • DANGEROUS_COMMAND → 命令本身有问题，重写或让用户跑
   • TEXT_TOO_LONG → 用 clipboard_write + key cmd+v
   • UNKNOWN_EID → eid 缓存被清；重新 find_element
   • ELEMENT_GONE → 元素已消失；重新 find_element 或 screenshot 看现状
2. 看 expect_after 的 [verify ... FAILED] 详情：通常是上一步操作没真正生效
3. 调 get_state 看会话健康
4. 必要时 reset_session 清状态后重来

---

系统权限提醒

第一次用必须 macOS System Settings → Privacy & Security 给 OpenClaw（或 spawn MCP 的 shell）：

• Accessibility（必须）— 否则所有 click / AX 全失败但不报错
• Screen Recording（必须）— 否则 screenshot 黑屏
• Automation（首次会弹窗）— open_app / focus_window 等

如果 LLM 调 dump_ax_tree 返回的全是 AXUnknown 节点 → 几乎一定是 Accessibility 没授权。

---

复杂任务模板（"在 X 里完成 Y"）

1. list_apps  → 确认 X 在不在跑
2. open_app  app_name="X"  expect_after={kind:"app_frontmost", app_name:"X"}
3. dump_ax_tree  app_spec="X"  depth=8  → 看一眼 UI 结构，记下关键 eid
4. 按 Pattern 1/2/3 逐步操作
5. 每 5 步调 get_state 确认健康
6. 失败按"失败 → 自愈 SOP"
7. 任务完成后 verify_state 做最终确认
8. （可选）reset_session 清状态后切下一任务