claude-code/docs/features/computer-use-tools-reference.md

Computer Use 工具参考文档

概览

Computer Use 提供 38 个工具，分为三类：

分类	平台	工具数	说明
通用工具	全平台	24	官方 Computer Use 标准能力
Windows 专属工具	Win32	11	绑定窗口模式下的增强能力
教学工具	全平台	3	分步引导模式（需 teachMode 开启）

---

一、通用工具（24 个）

全平台可用。未绑定窗口时，操作对象是整个屏幕。

权限与会话

工具	参数	说明
request_access	apps[], reason, clipboardRead?, clipboardWrite?, systemKeyCombos?	请求操作应用的权限。所有其他工具的前置条件
list_granted_applications	—	列出当前会话已授权的应用

截图与显示

工具	参数	说明
screenshot	save_to_disk?	截取当前屏幕。绑定窗口时截取绑定窗口（PrintWindow）。返回图片 + GUI 元素列表（Windows）
zoom	region: [x1,y1,x2,y2]	截取指定区域的高分辨率图片。坐标基于最近一次全屏截图
switch_display	display	切换截图的目标显示器

鼠标操作

工具	参数	说明
left_click	coordinate: [x,y], text? (修饰键)	左键点击。text 可传 "shift"/"ctrl"/"alt" 实现组合点击
double_click	coordinate, text?	双击
triple_click	coordinate, text?	三击（选整行）
right_click	coordinate, text?	右键点击
middle_click	coordinate, text?	中键点击
mouse_move	coordinate	移动鼠标（不点击）
left_click_drag	coordinate (终点), start_coordinate? (起点)	拖拽
left_mouse_down	—	按下左键不松
left_mouse_up	—	松开左键
cursor_position	—	获取当前鼠标位置

键盘操作

工具	参数	说明
type	text	输入文字
key	text (如 "ctrl+s"), repeat?	按键/组合键
hold_key	text, duration (秒)	按住键指定时长

滚动

工具	参数	说明
scroll	coordinate, scroll_direction, scroll_amount	滚动。方向: up/down/left/right

应用管理

工具	参数	说明
open_application	app	打开应用。Windows 上自动绑定窗口

剪贴板

工具	参数	说明
read_clipboard	—	读取剪贴板文字
write_clipboard	text	写入剪贴板

其他

工具	参数	说明
wait	duration (秒)	等待
computer_batch	actions[]	批量执行多个动作（减少 API 往返）

---

二、Windows 专属工具（12 个）

仅 Windows 平台可见。核心能力：绑定窗口后的独立操作——不抢占用户鼠标键盘。

工作模式

┌──────────────────────────────────────────────────┐
│                  未绑定模式                        │
│  使用通用工具 (left_click/type/key/scroll)          │
│  操作对象：整个屏幕                                 │
│  输入方式：全局 SendInput（会移动真实鼠标）           │
└──────────────────────────────────────────────────┘
                        │
                  bind_window / open_application
                        ▼
┌──────────────────────────────────────────────────┐
│                  绑定窗口模式                      │
│  使用 Win32 工具 (virtual_mouse/virtual_keyboard)  │
│  操作对象：绑定的窗口                               │
│  输入方式：SendMessageW（不动真实鼠标/键盘）          │
│  可视化：DWM 绿色边框 + 虚拟光标 + 状态指示器        │
└──────────────────────────────────────────────────┘

窗口绑定

工具	参数	说明
bind_window	action: list/bind/unbind/status	窗口绑定管理

动作详情：

action	参数	说明
list	—	列出所有可见窗口（hwnd、pid、title）
bind	title?, hwnd?, pid?	绑定到指定窗口。设置 DWM 绿色边框 + 启动虚拟光标 + 启动状态指示器 + 短暂激活窗口确保可接收输入
unbind	—	解除绑定，恢复全屏模式
status	—	查看当前绑定状态（hwnd、title、pid、窗口矩形）

窗口管理

工具	参数	说明
window_management	action, x?, y?, width?, height?	窗口操作（Win32 API，不走全局快捷键）

动作详情：

action	说明
minimize	ShowWindow(SW_MINIMIZE)
maximize	ShowWindow(SW_MAXIMIZE)
restore	ShowWindow(SW_RESTORE) — 恢复最小化/最大化
close	SendMessage(WM_CLOSE) — 优雅关闭
focus	SetForegroundWindow + BringWindowToTop — 激活窗口
move_offscreen	SetWindowPos(-32000,-32000) — 移到屏幕外（仍可 SendMessage/PrintWindow）
move_resize	SetWindowPos — 移动/缩放到指定位置和大小
get_rect	GetWindowRect — 获取当前位置和大小

虚拟鼠标

工具	参数	说明
virtual_mouse	action, coordinate: [x,y], start_coordinate?	在绑定窗口内操作虚拟鼠标

动作详情：

action	说明
click	左键点击。虚拟光标移动到坐标 + 闪烁动画
double_click	双击
right_click	右键点击
move	移动虚拟光标（不点击）
drag	按住 → 移动 → 松开。需 start_coordinate 指定起点
down	按下左键不松
up	松开左键

与通用鼠标工具的区别：

	通用 (left_click 等)	virtual_mouse
输入方式	SendInput（全局）	SendMessageW（窗口级）
真实鼠标	会移动	不动
用户干扰	有	无
适用场景	未绑定时	绑定后

虚拟键盘

工具	参数	说明
virtual_keyboard	action, text, duration?, repeat?	在绑定窗口内操作虚拟键盘

动作详情：

action	text 含义	说明
type	要输入的文字	SendMessageW(WM_CHAR)，支持 Unicode 中文/emoji
combo	组合键 (如 "ctrl+s")	WM_KEYDOWN/UP 序列
press	单个键名	按下不松（配合 release 使用）
release	单个键名	松开按键
hold	键名或组合	按住指定秒数后松开

与通用键盘工具的区别：

	通用 (type/key)	virtual_keyboard
输入方式	SendInput（全局）	SendMessageW（窗口级）
物理键盘	会冲突	不冲突
适用场景	未绑定时	绑定后

注意： SendMessageW 对 Windows Terminal (ConPTY) 等现代应用无效。这些应用需要使用通用工具 + 窗口激活方式操作。

鼠标滚轮

工具	参数	说明
mouse_wheel	coordinate: [x,y], delta, direction?	WM_MOUSEWHEEL 鼠标中键滚轮

参数说明：

• delta: 正值=向上，负值=向下。每 1 单位 ≈ 3 行
• direction: "vertical"（默认）或 "horizontal"
• coordinate: 滚轮作用点——决定哪个面板/区域接收滚动

与通用 scroll 的区别：

	scroll	mouse_wheel
原理	WM_VSCROLL/WM_HSCROLL	WM_MOUSEWHEEL
Excel	❌	✅
浏览器	❌	✅
代码编辑器	❌	✅

元素级操作

工具	参数	说明
click_element	name?, role?, automationId?	按无障碍名称/角色点击 GUI 元素
type_into_element	name?, role?, automationId?, text	按名称向元素输入文字

工作原理：

1. 通过 UI Automation 在绑定窗口中查找匹配元素
2. click_element: 先尝试 InvokePattern（按钮/菜单），失败则 SendMessage 点击 BoundingRect 中心
3. type_into_element: 先尝试 ValuePattern 直接设值，失败则点击聚焦 + WM_CHAR 输入

适用场景：

• 截图中看到元素名称但坐标不精确时
• Accessibility Snapshot 列出了元素的 name/automationId 时
• 比坐标点击更可靠（不受窗口缩放/DPI 影响）

终端交互

工具	参数	说明
open_terminal	agent, command?	打开新终端窗口并启动 AI agent（claude/codex/gemini/custom）。自动绑定窗口并截图验证
activate_window	click_x?, click_y?	激活绑定窗口：SetForegroundWindow + BringWindowToTop + 点击确保焦点
prompt_respond	response_type, arrow_direction?, arrow_count?, text?	处理终端 Yes/No/选择提示

open_terminal agent 类型：

agent	命令	说明
claude	claude	启动 Claude Code
codex	codex	启动 Codex
gemini	gemini	启动 Gemini
custom	用户指定	自定义命令

response_type 详情：

response_type	操作	场景
yes	发送 'y' + Enter	npm "Continue? (y/n)"
no	发送 'n' + Enter	拒绝确认
enter	发送 Enter	接受默认选项
escape	发送 Escape	取消操作
select	↑/↓ 箭头 × N + Enter	inquirer 选择菜单
type	输入文字 + Enter	文本输入提示

状态指示器

工具	参数	说明
status_indicator	action: show/hide/status, message?	控制绑定窗口底部的浮动状态标签

---

三、教学工具（3 个）

需要 teachMode 开启。

工具	说明
request_teach_access	请求教学引导模式权限
teach_step	显示一步引导提示，等用户点 Next
teach_batch	批量排队多步引导

---

操作流程

流程 1：全屏操作（未绑定）

request_access(apps=["Notepad"])
open_application(app="Notepad")          ← 自动绑定窗口
screenshot                               ← PrintWindow 截图 + GUI 元素列表
left_click(coordinate=[500, 300])        ← 全局 SendInput
type(text="hello world")                 ← 全局 SendInput
key(text="ctrl+s")                       ← 全局 SendInput

流程 2：绑定窗口操作（推荐，不干扰用户）

request_access(apps=["Notepad"])
bind_window(action="list")               ← 列出所有窗口
bind_window(action="bind", title="记事本") ← 绑定 + 绿色边框 + 虚拟光标
screenshot                               ← PrintWindow 截取绑定窗口
virtual_mouse(action="click", coordinate=[500, 300])   ← SendMessageW，不动真实鼠标
virtual_keyboard(action="type", text="hello world")    ← SendMessageW，不动物理键盘
virtual_keyboard(action="combo", text="ctrl+s")        ← 保存
mouse_wheel(coordinate=[500, 400], delta=-5)           ← 向下滚动
bind_window(action="unbind")             ← 解除绑定

流程 3：按元素名称操作

bind_window(action="bind", title="记事本")
screenshot                               ← 返回截图 + GUI elements 列表
click_element(name="保存", role="Button") ← UI Automation 查找并点击
type_into_element(role="Edit", text="new content")

流程 4：终端交互

bind_window(action="bind", title="PowerShell")
screenshot
prompt_respond(response_type="yes")      ← 回答 y + Enter
prompt_respond(response_type="select", arrow_direction="down", arrow_count=2)  ← 选第3项

流程 5：Excel/浏览器滚动

bind_window(action="bind", title="Excel")
screenshot
mouse_wheel(coordinate=[600, 400], delta=-10)            ← 向下滚动 10 格
mouse_wheel(coordinate=[600, 400], delta=5, direction="horizontal")  ← 向右滚动

---

应用兼容性

应用类型	SendMessageW (virtual_*)	元素操作 (click_element)	注意
传统 Win32 (记事本/写字板)	✅	✅	完美支持
Office (Excel/Word)	✅ (COM 自动化)	✅	通过 COM API
WPF 应用	✅	✅	标准 UIA 支持
Electron/Chrome	⚠️ 部分	⚠️ 部分	内部渲染不走 Win32 消息
UWP/WinUI (Windows Terminal)	❌	❌	ConPTY 不接受 SendMessageW
浏览器网页内容	❌	❌	需要全局 SendInput

对于不支持 SendMessageW 的应用，使用通用工具 (left_click/type/key) + window_management(action="focus") 先激活窗口。

---

绑定窗口时的可视化

绑定窗口后自动启动三层可视化：

1. DWM 绿色边框 — 窗口自身的边框颜色变绿，零偏移
2. 虚拟鼠标光标 — 红色箭头图标，跟随 virtual_mouse 操作移动，点击时闪烁
3. 状态指示器 — 窗口底部浮动标签，显示当前操作（通过 status_indicator 控制）

---

Accessibility Snapshot

每次 screenshot 时，如果窗口已绑定，会自动附带 GUI 元素列表：

GUI elements in this window:
[Button] "Save" (120,50 80x30) enabled
[Edit] "" (200,80 400x25) enabled value="hello" id=textBox1
[MenuItem] "File" (10,0 40x25) enabled
[MenuItem] "Edit" (50,0 40x25) enabled
[CheckBox] "Auto-save" (300,50 100x20) enabled id=chkAutoSave

模型同时收到 截图图片 + 结构化元素列表，可以选择：

• 用坐标操作：virtual_mouse(action="click", coordinate=[120, 50])
• 用名称操作：click_element(name="Save")

---

UI Automation Control Patterns 参考

click_element / type_into_element 底层使用 UI Automation Control Patterns。当前已实现的和可扩展的：

Pattern	用途	当前状态	可用于
InvokePattern	触发点击	✅ 已实现 (click_element)	按钮、菜单项、链接
ValuePattern	读写文本值	✅ 已实现 (type_into_element)	文本框、组合框
TogglePattern	切换状态	❌ 未实现	复选框、开关
SelectionPattern	选择项目	❌ 未实现	下拉菜单、列表
ScrollPattern	编程滚动	❌ 未实现（用 mouse_wheel 替代）	列表、树、面板
ExpandCollapsePattern	展开/折叠	❌ 未实现	树节点、折叠面板
WindowPattern	窗口操作	❌ 未实现（用 window_management 替代）	窗口最大化/关闭
TextPattern	读取文档文本	❌ 未实现	文档、富文本
GridPattern	表格操作	❌ 未实现	Excel 单元格、数据网格
TablePattern	表格结构	❌ 未实现	表头、行列关系
RangeValuePattern	范围值操作	❌ 未实现	滑块、进度条
TransformPattern	移动/缩放	❌ 未实现	可拖拽元素

扩展路线： 优先实现 TogglePattern（复选框）和 SelectionPattern（下拉菜单），这两个在表单自动化中最常用。

---

屏幕截取技术方案对比

当前使用 Python Bridge (mss) 进行截图，底层是 GDI BitBlt。三种方案对比：

方案	API	当前状态	性能	优势	限制
GDI BitBlt	BitBlt / PrintWindow	✅ 当前使用 (mss/bridge.py)	~300ms	简单稳定，支持后台窗口 (PrintWindow)	不支持硬件加速内容、DPI 处理复杂
DXGI Desktop Duplication	IDXGIOutputDuplication	❌ 未实现	~16ms (60fps)	硬件加速，支持 HDR，GPU 直接读取	不支持单窗口截取，需 D3D11
Windows.Graphics.Capture	GraphicsCaptureItem	❌ 未实现	~16ms	最新 API，支持单窗口/单显示器，系统级权限管理	Win10 1903+，首次需用户确认

推荐升级路径

当前: GDI BitBlt (mss) ─── 全屏 ~300ms, 窗口 ~300ms (PrintWindow)
  │
  ├─ 近期: DXGI Desktop Duplication ─── 全屏 ~16ms, 但不支持单窗口
  │
  └─ 远期: Windows.Graphics.Capture ─── 全屏 + 单窗口都 ~16ms

DXGI Desktop Duplication 实现要点

# bridge.py 中可添加 DXGI 截图（通过 d3dshot 或 dxcam 库）
import dxcam  # pip install dxcam

camera = dxcam.create()
frame = camera.grab()  # numpy array, ~5ms
# 转为 JPEG base64 发送

Windows.Graphics.Capture 实现要点

# 需要 WinRT Python 绑定
# pip install winrt-Windows.Graphics.Capture winrt-Windows.Graphics.DirectX
# 限制：首次调用需要用户在系统弹窗中确认权限

---

输入方式技术矩阵

不同应用类型需要不同的输入方式：

输入方式	API	优势	限制	适用应用
SendMessageW	WM_CHAR / WM_KEYDOWN	不抢焦点，不动真实键鼠	现代应用不支持	Win32 传统应用 (记事本/Office/WPF)
SendInput	INPUT 结构体	所有应用都支持	必须前台焦点，会干扰用户	所有应用（通用后备）
WriteConsoleInput	控制台 API	直接写入控制台缓冲区	需要 AttachConsole（可能被拒绝）	cmd/PowerShell（非 Windows Terminal）
UI Automation	InvokePattern / ValuePattern	语义级操作，最可靠	部分应用不暴露 UIA 接口	支持 UIA 的应用
COM Automation	Excel/Word COM	完全编程控制	仅 Office 应用	Excel / Word
剪贴板 + 粘贴	SetClipboardData + Ctrl+V	绕过输入限制	会覆盖用户剪贴板	通用后备

按应用类型的推荐输入策略

应用类型	首选	后备	说明
传统 Win32 (记事本/写字板)	SendMessageW	UIA ValuePattern	虚拟输入完美工作
Office (Excel/Word)	COM Automation	SendMessageW	COM 提供结构化操作
WPF 应用	SendMessageW	UIA	标准 Win32 消息循环
Electron/Chrome 应用	UIA	剪贴板粘贴	内部渲染不走 Win32
Windows Terminal (ConPTY)	SendInput (需前台)	剪贴板粘贴	ConPTY 不接受外部消息
UWP/WinUI 应用	SendInput (需前台)	UIA	XAML 渲染不走 Win32 消息

---

已知限制与待解决

限制	影响	计划
Windows Terminal 不接受 SendMessageW	虚拟键盘/鼠标对终端无效	自动检测应用类型，终端类切换到 SendInput + 短暂激活
PrintWindow 截不到 alternate screen buffer	Ink REPL 画面截不到	切换到 Windows.Graphics.Capture
Accessibility Snapshot 对大应用慢 (>30s)	Excel 等复杂应用超时	限制遍历深度 + 超时保护
DWM 边框对自定义标题栏应用可能无效	某些 Electron 应用看不到边框	检测并回退到叠加窗口方案
虚拟光标是 PowerShell WinForms 进程	启动慢 (~1s)，资源占用	考虑用 Win32 原生窗口替代

---

技术路线图

Phase 1（当前）— 基础功能

• ✅ SendMessageW 虚拟输入
• ✅ PrintWindow/mss 截图
• ✅ UI Automation (InvokePattern + ValuePattern)
• ✅ Accessibility Snapshot
• ✅ DWM 边框指示
• ✅ Python Bridge

Phase 2（近期）— 兼容性增强

• ⬜ 应用类型自动检测（Win32 vs Terminal vs UWP）
• ⬜ 终端类应用自动切换 SendInput + 短暂激活
• ⬜ TogglePattern / SelectionPattern 支持
• ⬜ DXGI Desktop Duplication 高速截图
• ⬜ Accessibility Snapshot 超时保护

Phase 3（远期）— 高级能力

• ⬜ Windows.Graphics.Capture（单窗口实时截图）
• ⬜ 截图元素标注（在截图上标记 ID 数字）
• ⬜ 浏览器 DOM 提取（绑定浏览器时提取网页结构）
• ⬜ GridPattern / TablePattern（Excel 单元格级操作）
• ⬜ TextPattern（文档内容读取）
• ⬜ 多窗口协同操作