前言¶
做 RPA、游戏脚本或 UI 自动化测试时，常见做法是写固定坐标或依赖控件树。界面一改版、换分辨率或多显示器布局变化，脚本就容易点错或找不到元素。纯 OCR 能读出文字，却未必给出可点击的精确坐标；把整张截图丢给多模态模型，又往往不够稳定、也难以复现到自动化链路里。
下面介绍 SkillHub 上的 AI-Eyes 屏幕视觉插件-2.0版（给文字AI装上眼睛）：以 VisionLocator「视觉金字塔定位器」为核心，模拟人类「先看全局、再局部放大」的看屏方式，分层放大后在屏幕上定位 UI 元素。Skill 坐标为 @user_09a38a2b/dgjh，当前版本 2.0.0，分类 ai-agent，标签标明 requires_api_key=false（无需单独配置 API Key）。
这是什么¶
AI-Eyes 2.0 是社区发布的 Agent Skill，维护者为 SkillHub 用户 独孤剑虎（页面标注「作者」）。一句话定位：视觉金字塔定位器——让接入该 Skill 的文字 AI 具备「看屏幕、找元素、给出定位结果」的能力，面向按钮、图标、输入框等界面控件的查找与坐标级定位。
官方简介强调：模拟人类视觉，AI 分层放大、精准定位屏幕上任意 UI 元素；支持 4 种匹配模式，标称精度 0.125px，并宣称 开箱即用、包体约 38KB、无冗余依赖。
核心功能¶
以下能力均来自 SkillHub 页面与已抓取资料，未在资料中出现的实现细节不作展开。
视觉金字塔与精度¶
采用多层级放大策略，贴近「先锁定区域、再细化到像素」的目视流程。页面亮点写明：多层级放大，0.125px 超高精度，适合需要稳定点击坐标的自动化场景。
四种匹配模式¶
Skill 说明支持 4 种匹配模式（官方未在公开摘要中逐一命名四种模式的具体差异）。在 Agent 对话中，可通过 Skill 自带的触发语义描述目标（见下文「典型用法」），由 Skill 引导选用合适模式完成定位。
语义理解¶
亮点中举例：语义上相近的文案可被关联，例如 「提交」≈「确认」≈「OK」。这对多语言界面、文案不统一的业务系统有一定帮助，减少「必须一字不差匹配按钮文字」的限制。
多显示器¶
官方写明 多显示器自动适配，适合桌面扩展屏、远程桌面或多屏开发环境，避免硬编码单屏分辨率。
体量与依赖¶
公开资料称 Skill 约 38KB，无冗余依赖，便于随 Agent 工作区分发，不额外要求 API Key（requires_api_key=false）。
安装与启用¶
SkillHub 提供的安装方式，是让 AI 按统一安装文档拉取指定坐标 Skill，而不是在文中臆造一条未公开的 shell 命令。
在 SkillHub 技能页 上，官方给出的提示词大意如下：请根据安装说明文档安装本 Skill。页面重复出现的可核对表述为：
请根据 https://skillhub.cn/install/skillhub.md，安装 `@user_09a38a2b/dgjh`。
说明： 将上述意图发给已支持 SkillHub 安装流程的 Agent（如 Cursor、Claude Code 等，具体以你使用的客户端是否支持 skillhub.md 安装协议为准）。安装坐标固定为 @user_09a38a2b/dgjh。撰写时尝试打开 https://skillhub.cn/install/skillhub.md 核对逐步命令，该地址曾返回服务错误，因此 Cursor / Codex CLI / Claude Code 的分平台差异命令此处不编造；以你本地 Agent 执行安装文档后的结果为准。
安装完成后，在工作区或 Agent 的 Skills 列表中应能看到 AI-Eyes 屏幕视觉插件-2.0版，版本 2.0.0。
典型用法¶
公开页未附带完整可复制的端到端脚本示例，下面写法对应当前能核实的 触发方式 与 能力描述，便于在对话里复现「找元素 → 得坐标 → 交给自动化」的链路。
用自然语言触发定位¶
Skill 设计了一组与屏幕查找相关的触发语义（安装后由 Agent 加载 Skill 说明）。在对话中可直接描述任务，例如：
- 截图定位、屏幕查找、找按钮、找图标、找元素、定位 UI
- 屏幕自动化、找到按钮位置、屏幕点击、视觉定位、图像查找
- find button、screen locate、UI automation、元素定位、坐标查找
- 在屏幕上找、屏幕识别、OCR 定位、视觉识别、精准点击、自动点击位置
建议步骤：
- 确保当前会话已启用
@user_09a38a2b/dgjh。 - 用触发词或等价描述说明要找的对象（如「找登录页的提交按钮」「定位设置图标」）。
- 按 Skill 指引提供或生成当前屏幕截图（具体交互以 Skill 内 SKILL.md 为准；公开摘要未写死截图格式）。
- 获取定位结果（坐标或区域），再交给你的 RPA / 测试框架 / 点击脚本执行后续操作。
与自动化衔接¶
资料中的适用方向包括：RPA 精准点按钮与输入框、游戏界面元素定位、UI 测试中的元素查找、以及 辅助功能 场景下帮助用户找到屏幕上的特定元素。衔接方式通常是：本 Skill 负责「看屏 + 定位」，外层工具负责「点击、输入、断言」。
适用场景与注意¶
适合谁
- 需要让文字 Agent 参与「看界面、找控件」的自动化作者；
- 多显示器或常改版的桌面/Web 客户端，不愿维护大量固定坐标；
- 希望利用语义相近文案做按钮匹配的团队（仍建议在关键路径上做人工抽检）。
使用上需注意
- 四种匹配模式的具体名称、参数与返回字段，需以安装后 Skill 包内文档为准；公开页只有能力摘要。
- 0.125px、38KB 等数字来自官方宣传，实际效果取决于分辨率、缩放比、主题与遮挡情况。
- SkillHub 统计（撰写时页面数据）：评分 100000，下载 1917，安装 36；与第三方转载数据不一致时，以 官方技能页 为准。
- 屏幕自动化涉及隐私与合规：仅在你有权操作的设备与界面上使用，避免对敏感窗口截图外泄。
结尾¶
AI-Eyes 屏幕视觉插件 2.0 把「视觉金字塔 + 分层放大」做成 Agent Skill，让文字 AI 在找按钮、找图标、做 UI 定位时有一条可复用的路径；无需 API Key，体量小，并强调多显示器与语义相近文案的匹配。若你要在 Agent 工作流里补上「眼睛」，可按官方提示安装 @user_09a38a2b/dgjh。
- SkillHub 技能页：https://www.skillhub.cn/skills/user_09a38a2b/dgjh
- API 坐标入口：https://api.skillhub.cn/user_09a38a2b/dgjh
