macOS 桌面控制指南

核心思维：先理解，再动手

不要看到 app 就直接 click/type。人类操作一个陌生 app，会先"逛一圈"——看它长什么样、有哪些入口、哪里是关闭按钮、哪里是业务区。你也必须这样。

三阶段框架：

1. Survey（理解）  → MacosSurvey(app) 拿 app 心智模型
2. Plan（选路径）  → 按 Survey 给的"Recommended path order"挑一条路
3. Act + Verify   → MacosAct 执行；MacosObserve 确认结果

跳过 Survey 直接 Act 是最常见的失败。微信 / QQ / 飞书 / 钉钉这类自绘 UI 的 AX tree 只有 3 个窗口按钮（close / min / zoom），模型凭猜点 path=["0","0"] 就会命中红色关闭按钮，整个 app 被关掉。Survey 会把这类陷阱提前告诉你。

工具全景

全部仅在 OpenLoaf Desktop（macOS） 可用。非桌面端工具不注册；会话里不要尝试调它们。

执行路径的优先级（由 Survey 告诉你）

MacosSurvey 返回里有一段 Recommended path order，顺序从高确定性到低：

1. Known intents       MacosAct type="intent"          确定性 100%
2. Menu navigation     MacosAct type="menu_click"      自绘 UI 也能用
3. Keyboard shortcut   MacosAct type="key"             读菜单栏的 shortcut 字段
4. AX path click       MacosAct type="click" ref=...   仅当 Survey 判定 ax-rich 时安全
5. Coord click         MacosAct type="click" point=... 最后手段，从截图读像素

严格按顺序下探。能用前面的就不走后面。Survey 判 self-drawn 的 app 上，第 4 步直接跳过——对窗口 chrome 按钮的 AX path click 会被拦下（返回 WINDOW_CHROME_BLOCKED 错误）。

Survey 返回长什么样

App: 微信 (WeChat.app) (com.tencent.xinWeChat, pid=86795)

AX profile: self-drawn — AXWindow children are only chrome buttons
  richness: 0.995 (203 nodes)
  windowChildRoles: [AXCloseButton, AXFullScreenButton, AXMinimizeButton]

Known intents (from registry):
  - id: open_moments    — 打开朋友圈 / Open Moments feed
  - id: open_chats      — 切换到聊天列表
  - id: open_discover   — 打开"发现"页
  ...

Menu bar (34 entries with shortcuts, sample):
  - 文件 > 锁定微信  (⌘L)
  - 视图 > 聊天  (⌘1)
  - 视图 > 朋友圈  (⌘⇧4)
  ...

Windows (2):
  - windowID=227474 visible 1060×859 "Weixin"  (main)
  - windowID=260481 hidden 710×831

Recommended path order:
  1. Known intents (highest confidence): MacosAct type="intent" — 5 registered
  2. Menu navigation: MacosAct type="menu_click" — 34 reachable entries
  3. Keyboard shortcut: MacosAct type="key"
  4. AX path click: **DO NOT USE** on this app.
  5. Coordinate click: last resort.

"Known intents" 就是别人已经替你踩过坑的路径。优先用。

典型场景

场景 A：打开微信朋友圈

1. MacosAct { type: "launch_app", app: "WeChat" }
2. MacosSurvey { app: "WeChat" }
   → 看到 Known intents 里有 open_moments
3. MacosAct { type: "intent", app: "WeChat", intent: "open_moments" }
4. MacosObserve { appFilter: "WeChat" } — 验证朋友圈已打开

不要调完 launch_app 就直接 observe + click AX tree。那是老路径，会命中关闭按钮。

场景 B：在 Safari 打开 github.com

1. MacosSurvey { app: "Safari" }
   → Known intents 里有 open_url（args: url required）
2. MacosAct { type: "intent", app: "Safari", intent: "open_url", args: { url: "https://github.com" } }
3. MacosObserve { appFilter: "Safari" } — 验证页面加载

场景 C：读屏幕

用户问「我屏幕上显示什么」、「当前 App 里 xx 是什么」：直接一次 MacosObserve，从截图 + AX 树提炼答案。不需要 Survey，不需要 Act。

场景 D：未注册的 intent / ax-rich app

Survey 返回 ax-rich 且没有对应 intent 时，优先 menu_click / key，其次 AX path click：

1. MacosSurvey { app: "Finder" } → ax-rich, 推荐 menu_click / AX path click
2. 要新建窗口 → 看菜单栏 "文件 > 新建 Finder 窗口 (⌘N)"
3. MacosAct { type: "key", keys: ["cmd", "n"] } — 用快捷键比 click 稳
4. MacosObserve 验证

场景 E：多窗口（微信主窗口 + 图片预览）

1. MacosSurvey { app: "WeChat" } → Windows: 2 个，windowID 分别 227474/260481
2. MacosCaptureWindow { windowID: 227474 } — 专截主窗口（即便被预览挡住）
3. 后续 MacosAct click 的坐标基准已更新为这个窗口的图

场景 F：填原生窗口表单（AppKit app）

Survey 看到 ax-rich，目标元素有 AX role=AXTextField：

1. MacosObserve { appFilter: "..." } 拿输入框 ref
2. MacosAct { type: "click", ref: { app, path: [...] } } 聚焦
3. MacosAct { type: "type", text: "..." }
4. MacosAct { type: "ax_action", ref: { app, path: [submit button] }, action: "AXPress" }
5. MacosObserve 验证

当 Survey 没有你要的 intent 怎么办

1. 看 Survey 的 Menu bar 段 —— 几乎所有 app 的菜单栏都可以 menu_click
2. 菜单项如果带 (⌘⇧X) 这种 shortcut，用 MacosAct type="key" 更稳
3. 走不通再 observe 截图，按像素 coord click
4. 完全走不通时停下来告诉用户"这条路径我没找到安全做法"，别猜

铁律

1. 第一次接触某 app，先 Survey。不 Survey 就 Act 是最常见的失败，特别是对自绘 UI。
2. 优先走 Survey 推荐的第一条路（Known intents）。自己另辟蹊径多半翻车。
3. 每次 MacosAct 后 MacosObserve。UI 是有状态的，你无法预测结果。例外：intent / menu_click 成功后如果不需要二次动作，可以跳过 verify。
4. AX path click 只在 Survey 判 ax-rich 的 app 上用。mixed 谨慎，self-drawn 禁止——chrome 按钮会被硬拦（WINDOW_CHROME_BLOCKED）。
5. 坐标点击是最后手段。必须先 observe 看到截图像素位置；连续 2 次 coord click 后 UI 没变化，立即停止并告知用户定位失败。
6. 敏感 app 前台（密码管理器 / 银行 / Keychain）立即停止，让用户自己操作。
7. 缺权限时：系统设置面板已自动弹出，用自然语言告诉用户去启用 OpenLoaf，等用户确认再继续。不要重试。
8. 非 macOS 桌面端：立即返回 desktop-only，改用 BrowserAct 或交回用户。

权限

首次调用会提示缺权限。server 已自动打开对应系统设置面板。需要：

• screen：屏幕录制（Survey / Observe / CaptureWindow 都要）
• accessibility：辅助功能（AX 树读取 + 合成输入）

某些系统级 app 授权后仍需重启 OpenLoaf Desktop。

坐标空间（退化到 point 时）

point.{x,y} 就是最近一次 MacosObserve 或 MacosCaptureWindow 截图上的像素坐标——图上目标在哪个像素，就把那个像素塞给 click/scroll/drag。工具内部自动换算到屏幕坐标，你不用关心 retina 缩放、窗口偏移或多显示器。

• observe/capture_window 返回里 Screenshot: window 2120×1718 px 的那个数字就是坐标范围
• 必须先调用过一次 observe 或 capture_window 才能用坐标动作；否则工具拒绝

安全与隐私

• 密码、银行、密钥链类 App 不要 Survey / Observe / Act。遇到 1Password / Keychain / 银行 app 前台，立即停止并让用户自己操作。
• 截图存会话附件目录，随会话清理；不上传云端、不训练。
• 不确定屏幕状态时先 observe 一次再判断；不要臆测。

错误诊断

• permissionsMissing → 已自动开设置面板，提示用户授权 → 等确认
• desktop-only → 当前非桌面端；告诉用户切到 OpenLoaf Desktop
• WINDOW_CHROME_BLOCKED → 你点了窗口 chrome 按钮。按返回里的 4 个候选路径重新规划（menu_click / key / coord / URL）。不要傻乎乎加 confirm_window_chrome:true 强推，除非真的要关窗
• intent 未找到 → 用 MacosSurvey 看一下可用 intent 列表；或降级到 menu_click
• 点击无反应 → 重新 observe，看目标节点是否真可点、是否被遮挡
• 中途前台切换 → observe 的 app 和 act 的 app 不一致，先 key cmd+tab 切回再 act