在持久化 PowerShell 会话中执行命令。 核心创新：这是一个长期存活的 Shell 进程，不是每次开新进程。 效果：cd 之后目录保持、set 的环境变量保持、Python venv / node -e 等状态保持。 适用于：需要连续操作的场景（先 cd 再 git status、先激活 venv 再 pip install）。

执行命令，并用文件系统 API 独立验证结果；验证不过自动带指数退避重试（自愈雏形）。 不轻信命令自身的返回值：例如 mkdir 之后，真的去确认目录存在。 expect 支持：pathExists / pathNotExists / isDir / isFile / fileContains:[路径,内容] / cwd

修改持久化会话的工作目录（cd），后续 shell_exec 都在新目录执行。

获取持久化会话的当前工作目录。

获取持久化会话中的环境变量值。

在持久化会话中设置环境变量。后续所有 shell_exec 都能读到。

重置持久化会话（重新启动 PowerShell）。用于会话状态异常时恢复。

结构通道：枚举当前所有可见窗口。 返回句柄、标题、进程名、PID、屏幕矩形、是否聚焦、是否最小化。 用它可以知道"屏幕上有什么"，以及目标窗口的位置。

双通道感知 + 交叉验证（核心能力）。 结构通道枚举窗口，视觉通道对每个窗口区域采样，判断它是否真的可见、真的有内容。 返回每个窗口的一致性结论，并列出不一致原因（minimized / offscreen / blank）。 结果会自动写入记忆层，之后可用 memory_recall 按指代定位。

视觉通道：截取主屏幕。返回 PNG/JPEG（base64）与尺寸。 用于看布局、颜色、图标等结构通道拿不到的信息。 需要控制消息体积时传 maxWidth（如 1280）+ format:"jpeg"。

读取当前鼠标光标坐标（只读，安全）。

移动鼠标到指定坐标（不点击）。副作用小，可用于定位或配合 verify 观察界面反应。

在指定坐标点击鼠标。会真实操作你的桌面 —— 调用前请确认目标位置。 坐标可从 desktop_perceive 得到的窗口矩形推算（例如取其中心）。

在当前焦点处输入文本，支持中文。 实现走剪贴板 + Ctrl+V（SendKeys 不支持 Unicode，会把中文打成乱码）。 注意：会改动你的剪贴板内容，并输入到当前焦点窗口。

发送组合键，如 ctrl+c / ctrl+v / alt+tab / enter / tab / f5。会作用于当前焦点窗口。

在指定坐标滚动滚轮。delta 为负向下、正向上，通常 120 为一格。

把指定句柄的窗口切到前台（最小化时会先还原）。句柄来自 desktop_list_windows / desktop_perceive。

元素级结构通道：枚举一个窗口内的 UI 控件（UI Automation）。 返回控件名称、类型(Button/Edit/...)、AutomationId、坐标矩形、是否可 Invoke。 适合定位"确定按钮"这类具体控件，比只按坐标猜可靠得多。 注意：Electron / Chromium 类应用默认不暴露控件树，会返回很少或 0 个 （这类需要用 CDP，即路线图 Week 5-6）。原生 Windows 应用正常。

元素级执行：按可见文本定位控件并触发它。 优先用 UI Automation 的 InvokePattern（对按钮最可靠），不支持时退回点击其中心。 会真实操作界面，调用前请确认控件名称。

启动一个"可被 CDP 调试"的浏览器实例（Edge / Chrome）。 带 --remote-debugging-port 和一次性的 --user-data-dir（不传时每个实例独立目录， 关闭时自动删除），不会抢你正在用的浏览器 profile。 端口只监听 127.0.0.1。返回端口号，之后用 desktop_cdp_open 连它。 headless=true 时不弹窗口，适合自动化；headless=false 时窗口会真的跳出来。

只读：扫描本机所有开放的 CDP 调试端点及其页面，不做任何修改。 用来判断"现在能不能连浏览器"。 如果为空，说明没有浏览器开调试端口 —— 用 desktop_browser_launch 启动一个。

连上一个浏览器的页面，建立 CDP 会话（后续 cdp_* 工具都作用于它）。 可按 title / url 子串或下标选页面；带 url 时会先导航过去。 这是操作 Chromium 系应用（Chrome / Edge / Electron）的入口 —— UIA 看不见它们的内部，CDP 能。

列出当前页面内的控件（CDP 无障碍树）。 返回角色(button/link/textbox/...)、名称、层级深度。中文名称完整保留。 已自动去重：AX 树给一个按钮同时产出 button/StaticText/InlineTextBox，这里只留能操作的那个。

按名称点击页面里的控件（走 CDP 注入真实鼠标事件）。 先定位控件矩形中心再点，所以不需要你猜坐标。同名多个时会报错并列出候选。

向页面输入文本。走 CDP 的 Input.insertText， 不经过键盘布局，中文 / emoji 天然无损（比 SendKeys 和剪贴板都干净）。 可用 target 先聚焦到某个输入框。

在当前页面执行 JavaScript 并返回结果（JSON 化）。 这是 CDP 相对 UIA 的杀手锏：拿不到的信息可以直接问页面要。

截取当前页面（不是整屏）。返回 PNG。 页面级截图比全屏截图更适合判断"浏览器里现在是什么状态"。

关闭 CDP 会话，并杀掉由 desktop_browser_launch 启动的浏览器进程。 用完记得调用，否则无头浏览器会留在后台。

把一条报错文本翻译成"为什么 + 怎么办"。 任何工具返回错误时都会自动附带诊断；这个工具用于手动诊断任意一段报错。 规则匹配、毫秒级返回，不调 LLM。

记忆层：把一句指代解析成可点击的坐标。 支持 "刚才那个窗口"、"钉钉"、"WorkBuddy" 这类说法，返回窗口中心坐标， 可直接拿去 desktop_click。 支持窗口级与元素级两种命中（"刚才那个按钮" 会定位到控件）。

记忆层：查看最近的操作时间线（感知/点击/输入/命令）。

记忆层：查看索引规模与最后更新时间。

记忆层：清空时间线与窗口索引。