web-infra-dev/desktop-computer-automation

Automatización de escritorio basada en visión mediante Midscene. Controla tu escritorio local (macOS, Windows, Linux) o un escritorio remoto Windows por RDP usando comandos en lenguaje natural. Opera completamente a partir de capturas de pantalla — sin necesidad de DOM ni etiquetas de accesibilidad.

¿Qué es desktop-computer-automation?

Esta habilidad proporciona automatización de escritorio impulsada por visión utilizando Midscene.js. Permite a un agente de IA controlar el escritorio local (macOS, Windows, Linux) o un escritorio remoto Windows a través de RDP mediante comandos en lenguaje natural. A diferencia de las soluciones tradicionales que dependen del DOM o de etiquetas de accesibilidad, esta habilidad opera exclusivamente con capturas de pantalla, lo que le permite interactuar con cualquier elemento visible en la pantalla, independientemente de la tecnología subyacente. Es ideal para aplicaciones de escritorio nativas (Electron, Qt, aplicaciones nativas de macOS/Windows/Linux) que no pueden ejecutarse en un navegador, o para controlar un host remoto Windows por RDP. Se activa con frases como 'abrir aplicación', 'presionar tecla', 'clic en pantalla', 'escribir texto', 'capturar pantalla', 'automatizar escritorio', 'conectar por RDP', entre otras. ⚠️ Importante: en modo local, esta habilidad toma el control del ratón y el teclado reales del usuario. Para aplicaciones web, se recomienda usar la habilidad 'Browser Automation' en su lugar.

Compatible con~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 Productividad y colaboración skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace desktop-computer-automation?

Automatización de escritorio basada en visión mediante Midscene. Controla tu escritorio local (macOS, Windows, Linux) o un escritorio remoto Windows por RDP usando comandos en lenguaje natural. Opera completamente a partir de capturas de pantalla — sin necesidad de DOM ni etiquetas de accesibilidad. Puede interactuar con todos los elementos visibles en la pantalla, independientemente de la tecnología subyacente. ⚠️ En modo local, esto toma el control del ratón y el teclado reales del usuario. Para aplicaciones web, prefiere usar "Browser Automation" en su lugar. Usa esto solo para aplicaciones de escritorio nativas (Electron, Qt, macOS/Windows/Linux nativos) que no puedan ejecutarse en un navegador, o para controlar un host remoto Windows por RDP. Disparadores: abrir aplicación, presionar tecla, escritorio, computadora, clic en pantalla, escribir texto, capturar pantalla, lanzar aplicación, cambiar ventana, automatización de escritorio, controlar computadora, clic de ratón, atajo de teclado, captura de pantalla, buscar en pantalla, leer pantalla, verificar ventana, cerrar aplicación, probar aplicación Electron, rdp, escritorio remoto, servidor windows, conectar por rdp. Desarrollado por 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.

Skills relacionados