Codex 能”看见”屏幕了——superskills 全家桶里有颗遗珠

你有没有想过——Codex/Claude 不只能读代码，还能直接”看见”你屏幕上的东西？

CoachSteff 做的 superskills 就是这样一套扩展包。GitHub 星星虽然只有 1 颗（冷门），但这个仓库里塞了 57 个 Skill，覆盖软件开发者、市场研究、作家、设计师等 30 种职业——是那种”你不认识它，但它能帮你干很多事”的宝藏工具箱。

最值得单独拎出来说的是 vision：用 Gemini Vision API 做屏幕监控和分析的 Skill。你可能用过截图工具，但 vision 能做到：

• describe 模式：AI 描述当前屏幕内容，不是简单说”有个按钮”，而是读懂 UI 意图
• detect 模式：识别页面元素（按钮、表单、导航栏），返回坐标位置——这对 AI 做 UI 自动化测试超有用
• ocr 模式：把屏幕上任何文字提取出来，不需要手动复制粘贴
• errors 模式：自动找 UI 问题、无障碍缺陷，比人工审查快
• monitor 模式：持续监控屏幕区域，检测变化——做演示的时候能实时捕捉 PPT 切页、代码报错这些关键时刻
• test 模式：根据当前界面自动生成自动化测试用例

举几个我想到的实用场景——

场景一：做 UI 自动化，但没有截图对比工具？ vision 截图 + Gemini 分析，几秒钟给你一份可操作的测试脚本，不用自己手写 XPath。

场景二：处理 PDF / 图片里的文字，不想开 OCR 软件？ vision 读屏直接提取文字，结果还能导出 JSON 格式做二次处理。

场景三：检查网页无障碍是否符合 WCAG 标准？ errors 模式专门找对比度不足、缺失 alt 文本这些问题。

场景四：监控股票/数据看板等实时变化？ monitor 模式设好区域和间隔，有变化就触发告警，比轮询 API 省事得多。

安装方式也很简单，把 SKILL.md 放进 ~/.claude/skills/ 就能用，支持 Codex 和 Claude 两套生态。

GitHub 链接：https://github.com/coachsteff/superskills

GitHub: https://github.com/coachsteff/superskills