web-infra-dev/Desktop-Computer-Automation

Bildschirmgesteuerte Desktop-Automatisierung mit Midscene. Steuern Sie Ihren lokalen Desktop (macOS, Windows, Linux) oder einen entfernten Windows-Desktop über RDP mit natürlichen Sprachbefehlen – vollständig über Screenshots, ohne DOM oder Accessibility-Labels.

Was ist Desktop-Computer-Automation?

Diese Fähigkeit ermöglicht die Automatisierung von Desktop-Anwendungen durch visuelle Erkennung mittels Midscene.js. Sie funktioniert lokal auf macOS, Windows und Linux sowie für entfernte Windows-Rechner über RDP. Da sie ausschließlich auf Screenshots basiert, kann sie mit allen sichtbaren Elementen interagieren, unabhängig von der zugrunde liegenden Technologie (Electron, Qt, native Anwendungen). ⚠️ Im lokalen Modus übernimmt sie die echte Maus und Tastatur des Benutzers – daher ist sie für reine Web-Apps nicht geeignet, sondern nur für Desktop-native Anwendungen oder entfernte Windows-Hosts. Typische Trigger sind: App öffnen, Taste drücken, Desktop, Computer, auf Bildschirm klicken, Text eingeben, Desktop-Screenshot, Anwendung starten, Fenster wechseln, Desktop-Automatisierung, Computer steuern, Mausklick, Tastenkombination, Bildschirmaufnahme, auf Bildschirm suchen, Bildschirm lesen, Fenster überprüfen, App schließen, Electron-App testen, RDP, Remotedesktop, Windows-Server, über RDP verbinden.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/web-infra-dev/midscene-skills/tree/main/skills/desktop-computer-automation

Installed? Explore more Produktivität & Zusammenarbeit skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Desktop-Computer-Automation?

Bildschirmgesteuerte Desktop-Automatisierung mit Midscene. Steuern Sie Ihren lokalen Desktop (macOS, Windows, Linux) oder einen entfernten Windows-Desktop über RDP mit natürlichen Sprachbefehlen. Funktioniert vollständig über Screenshots – kein DOM oder Accessibility-Labels erforderlich. Kann mit allen sichtbaren Elementen auf dem Bildschirm interagieren, unabhängig von der Technologie. ⚠️ Im lokalen Modus übernimmt dies die echte Maus und Tastatur des Benutzers. Für Web-Apps bevorzugen Sie stattdessen "Browser-Automatisierung". Verwenden Sie dies nur für Desktop-native Apps (Electron, Qt, native macOS/Windows/Linux), die nicht in einem Browser ausgeführt werden können, oder zum Steuern eines entfernten Windows-Hosts über RDP.

Auslöser: App öffnen, Taste drücken, Desktop, Computer, auf Bildschirm klicken, Text eingeben, Desktop-Screenshot, Anwendung starten, Fenster wechseln, Desktop-Automatisierung, Computer steuern, Mausklick, Tastenkombination, Bildschirmaufnahme, auf Bildschirm suchen, Bildschirm lesen, Fenster überprüfen, App schließen, Electron-App testen, RDP, Remotedesktop, Windows-Server, über RDP verbinden

Unterstützt von Midscene.js (https://midscenejs.com)

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

web-infra-dev/android-device-automation

Vision-driven Android device automation using Midscene. Operates entirely from screenshots — no DOM or accessibility labels required. Can interact with all visible elements on screen regardless of technology stack. Control Android devices with natural language commands via ADB. Perform taps, swipes, text input, app launches, screenshots, and more. Trigger keywords: android, phone, mobile app, tap, swipe, install app, open app on phone, android device, mobile automation, adb, launch app, mobile screen, test android app, verify mobile app, QA on phone, check the app on android, test on device, see if the app works on phone, end-to-end test on android, visual verification on mobile Powered by Midscene.js (https://midscenejs.com)

web-infra-dev/browser-automation

Vision-driven browser automation using Midscene. Operates from screenshots — no DOM or accessibility labels needed. Runs in headless Puppeteer — does NOT take over the user's mouse or keyboard. Also supports CDP mode and Bridge mode to connect to an existing Chrome. Use this skill when the user wants to: - Browse, navigate, or open web pages - Scrape, extract, or collect data from websites - Fill out forms, click buttons, or interact with web elements - Verify, validate, test, or QA frontend UI behavior - Take screenshots of web pages - Automate multi-step web workflows - Test what was just built, see if it works in browser - Connect to Chrome via CDP, DevTools Protocol, or remote debugging - Connect to user's Chrome browser, control my browser, operate my Chrome Powered by Midscene.js (https://midscenejs.com)

web-infra-dev/harmonyos-device-automation

Vision-driven HarmonyOS NEXT device automation using Midscene. Operates entirely from screenshots — no DOM or accessibility labels required. Can interact with all visible elements on screen regardless of technology stack. Control HarmonyOS devices with natural language commands via HDC. Perform taps, swipes, text input, app launches, screenshots, and more. Trigger keywords: harmony, harmonyos, 鸿蒙, hdc, huawei device, harmony app, harmony automation, harmony phone, harmony tablet, test harmony app, verify on harmonyos, QA on 鸿蒙, check the app on harmony, test on huawei device, see if the app works on harmony, end-to-end test on harmonyos, visual verification on 鸿蒙 Powered by Midscene.js (https://midscenejs.com)

web-infra-dev/ios-device-automation

Vision-driven iOS device automation using Midscene CLI. Operates entirely from screenshots — no DOM or accessibility labels required. Can interact with all visible elements on screen regardless of technology stack. Control iOS devices with natural language commands via WebDriverAgent. Triggers: ios, iphone, ipad, ios app, tap on iphone, swipe, mobile app ios, ios device, ios testing, iphone automation, ipad automation, ios screen, ios navigate, test ios app, verify on iphone, QA on ipad, check the app on ios, test on ios device, see if the app works on iphone, end-to-end test on ios, visual verification on ios Powered by Midscene.js (https://midscenejs.com)

web-infra-dev/vitest-midscene-e2e

Enhances Vitest with Midscene for AI-powered UI testing across Web (Playwright), Android (ADB), and iOS (WDA). Scaffolds new projects, converts existing projects, and creates/updates/debugs/runs E2E tests using natural-language UI interactions. Triggers: write test, add test, create test, update test, fix test, debug test, run test, e2e test, midscene test, new project, convert project, init project, 写测试, 加测试, 创建测试, 更新测试, 修复测试, 调试测试, 运行测试, 新建工程, 转化工程.

Verwandte Skills