前言¶
做 RPA、遊戲腳本或 UI 自動化測試時，常見做法是寫固定座標或依賴控件樹。界面一改版、換分辨率或多顯示器佈局變化，腳本就容易點錯或找不到元素。純 OCR 能讀出文字，卻未必給出可點擊的精確座標；把整張截圖丟給多模態模型，又往往不夠穩定、也難以復現到自動化鏈路裏。
下面介紹 SkillHub 上的 AI-Eyes 屏幕視覺插件-2.0版（給文字AI裝上眼睛）：以 VisionLocator「視覺金字塔定位器」爲核心，模擬人類「先看全局、再局部放大」的看屏方式，分層放大後在屏幕上定位 UI 元素。Skill 座標爲 @user_09a38a2b/dgjh，當前版本 2.0.0，分類 ai-agent，標籤標明 requires_api_key=false（無需單獨配置 API Key）。
這是什麼¶
AI-Eyes 2.0 是社區發佈的 Agent Skill，維護者爲 SkillHub 用戶 獨孤劍虎（頁面標註「作者」）。一句話定位：視覺金字塔定位器——讓接入該 Skill 的文字 AI 具備「看屏幕、找元素、給出定位結果」的能力，面向按鈕、圖標、輸入框等界面控件的查找與座標級定位。
官方簡介強調：模擬人類視覺，AI 分層放大、精準定位屏幕上任意 UI 元素；支持 4 種匹配模式，標稱精度 0.125px，並宣稱 開箱即用、包體約 38KB、無冗餘依賴。
核心功能¶
以下能力均來自 SkillHub 頁面與已抓取資料，未在資料中出現的實現細節不作展開。
視覺金字塔與精度¶
採用多層級放大策略，貼近「先鎖定區域、再細化到像素」的目視流程。頁面亮點寫明：多層級放大，0.125px 超高精度，適合需要穩定點擊座標的自動化場景。
四種匹配模式¶
Skill 說明支持 4 種匹配模式（官方未在公開摘要中逐一命名四種模式的具體差異）。在 Agent 對話中，可通過 Skill 自帶的觸發語義描述目標（見下文「典型用法」），由 Skill 引導選用合適模式完成定位。
語義理解¶
亮點中舉例：語義上相近的文案可被關聯，例如 「提交」≈「確認」≈「OK」。這對多語言界面、文案不統一的業務系統有一定幫助，減少「必須一字不差匹配按鈕文字」的限制。
多顯示器¶
官方寫明 多顯示器自動適配，適合桌面擴展屏、遠程桌面或多屏開發環境，避免硬編碼單屏分辨率。
體量與依賴¶
公開資料稱 Skill 約 38KB，無冗餘依賴，便於隨 Agent 工作區分發，不額外要求 API Key（requires_api_key=false）。
安裝與啓用¶
SkillHub 提供的安裝方式，是讓 AI 按統一安裝文檔拉取指定座標 Skill，而不是在文中臆造一條未公開的 shell 命令。
在 SkillHub 技能頁 上，官方給出的提示詞大意如下：請根據安裝說明文檔安裝本 Skill。頁面重複出現的可覈對表述爲：
請根據 https://skillhub.cn/install/skillhub.md，安裝 `@user_09a38a2b/dgjh`。
說明： 將上述意圖發給已支持 SkillHub 安裝流程的 Agent（如 Cursor、Claude Code 等，具體以你使用的客戶端是否支持 skillhub.md 安裝協議爲準）。安裝座標固定爲 @user_09a38a2b/dgjh。撰寫時嘗試打開 https://skillhub.cn/install/skillhub.md 覈對逐步命令，該地址曾返回服務錯誤，因此 Cursor / Codex CLI / Claude Code 的分平臺差異命令此處不編造；以你本地 Agent 執行安裝文檔後的結果爲準。
安裝完成後，在工作區或 Agent 的 Skills 列表中應能看到 AI-Eyes 屏幕視覺插件-2.0版，版本 2.0.0。
典型用法¶
公開頁未附帶完整可複製的端到端腳本示例，下面寫法對應當前能覈實的 觸發方式 與 能力描述，便於在對話裏復現「找元素 → 得座標 → 交給自動化」的鏈路。
用自然語言觸發定位¶
Skill 設計了一組與屏幕查找相關的觸發語義（安裝後由 Agent 加載 Skill 說明）。在對話中可直接描述任務，例如：
- 截圖定位、屏幕查找、找按鈕、找圖標、找元素、定位 UI
- 屏幕自動化、找到按鈕位置、屏幕點擊、視覺定位、圖像查找
- find button、screen locate、UI automation、元素定位、座標查找
- 在屏幕上找、屏幕識別、OCR 定位、視覺識別、精準點擊、自動點擊位置
建議步驟：
- 確保當前會話已啓用
@user_09a38a2b/dgjh。 - 用觸發詞或等價描述說明要找的對象（如「找登錄頁的提交按鈕」「定位設置圖標」）。
- 按 Skill 指引提供或生成當前屏幕截圖（具體交互以 Skill 內 SKILL.md 爲準；公開摘要未寫死截圖格式）。
- 獲取定位結果（座標或區域），再交給你的 RPA / 測試框架 / 點擊腳本執行後續操作。
與自動化銜接¶
資料中的適用方向包括：RPA 精準點按鈕與輸入框、遊戲界面元素定位、UI 測試中的元素查找、以及 輔助功能 場景下幫助用戶找到屏幕上的特定元素。銜接方式通常是：本 Skill 負責「看屏 + 定位」，外層工具負責「點擊、輸入、斷言」。
適用場景與注意¶
適合誰
- 需要讓文字 Agent 參與「看界面、找控件」的自動化作者；
- 多顯示器或常改版的桌面/Web 客戶端，不願維護大量固定座標；
- 希望利用語義相近文案做按鈕匹配的團隊（仍建議在關鍵路徑上做人工抽檢）。
使用上需注意
- 四種匹配模式的具體名稱、參數與返回字段，需以安裝後 Skill 包內文檔爲準；公開頁只有能力摘要。
- 0.125px、38KB 等數字來自官方宣傳，實際效果取決於分辨率、縮放比、主題與遮擋情況。
- SkillHub 統計（撰寫時頁面數據）：評分 100000，下載 1917，安裝 36；與第三方轉載數據不一致時，以 官方技能頁 爲準。
- 屏幕自動化涉及隱私與合規：僅在你有權操作的設備與界面上使用，避免對敏感窗口截圖外泄。
結尾¶
AI-Eyes 屏幕視覺插件 2.0 把「視覺金字塔 + 分層放大」做成 Agent Skill，讓文字 AI 在找按鈕、找圖標、做 UI 定位時有一條可複用的路徑；無需 API Key，體量小，並強調多顯示器與語義相近文案的匹配。若你要在 Agent 工作流裏補上「眼睛」，可按官方提示安裝 @user_09a38a2b/dgjh。
- SkillHub 技能頁：https://www.skillhub.cn/skills/user_09a38a2b/dgjh
- API 座標入口：https://api.skillhub.cn/user_09a38a2b/dgjh
