Automação de Desktop com Midscene

Automação visual de desktop usando Midscene. Controle seu desktop local (macOS, Windows, Linux) ou remotamente via RDP com comandos em linguagem natural. Opera inteiramente por capturas de tela, sem necessidade de DOM ou rótulos de acessibilidade.

O que é Automação de Desktop com Midscene?

Esta skill fornece automação de desktop orientada por visão computacional, utilizando o framework Midscene.js. Diferente de ferramentas tradicionais que dependem de DOM, seletores CSS ou APIs de acessibilidade, ela opera exclusivamente com capturas de tela, permitindo interagir com qualquer elemento visível, independentemente da tecnologia subjacente (Electron, Qt, aplicativos nativos). Suporta ambientes locais (macOS, Windows, Linux) e remotos via RDP, sendo ideal para testes de aplicações desktop, automação de tarefas repetitivas e integração com sistemas legados. É acionada por palavras-chave como 'abrir aplicativo', 'clicar na tela', 'digitar texto', 'capturar tela' e 'automação de desktop'. Importante: em modo local, assume o controle real do mouse e teclado, portanto não deve ser usada para automação web — para isso, prefira a skill de Automação de Navegador.

Funciona com~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 Produtividade e Colaboração skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Automação de Desktop com Midscene faz?

Automação de desktop orientada por visão usando Midscene. Controle seu desktop local (macOS, Windows, Linux) ou um desktop Windows remoto via RDP com comandos em linguagem natural. Opera inteiramente por capturas de tela — sem necessidade de DOM ou rótulos de acessibilidade. Pode interagir com todos os elementos visíveis na tela, independentemente da pilha de tecnologia. ⚠️ No modo local, isso assume o controle do mouse e teclado reais do usuário. Para aplicações web, prefira a skill "Automação de Navegador". Use apenas para aplicações desktop nativas (Electron, Qt, macOS/Windows/Linux nativos) que não podem ser executadas em um navegador, ou para controlar um host Windows remoto via RDP. Gatilhos: abrir aplicativo, pressionar tecla, desktop, computador, clicar na tela, digitar texto, capturar tela, iniciar aplicativo, alternar janela, automação de desktop, controlar computador, clique do mouse, atalho de teclado, captura de tela, encontrar na tela, ler tela, verificar janela, fechar aplicativo, testar aplicativo Electron, rdp, desktop remoto, servidor windows, conectar via rdp. Desenvolvido com 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.

Habilidades Relacionadas