开发了微信半自动消息辅助程序

我不想再写一个"AI 自动回复机器人"。我要的是反过来的东西：话还是我自己说，只是发出去之前有人帮我看一眼——错别字、语病、口气对不对。
所以做了这么一个东西：一个挂在自己微信窗口右边的小悬浮框。它靠 Windows 的窗口截图 + 本地离线 OCR 把屏幕上的对话读成上下文；你想回复的时候，点「生成回复」让它写 3 条候选，或者自己写完点「润色」改顺、点「润色并发送」一步发出去。默认状态下你不点按钮，它一次 API 都不发，也永远不会替你按发送。
界面上的名字是「润色」，仓库名 polish-wechat-windows，MIT，Python + PySide6 + WGC + RapidOCR。

---

一、先把路走窄：为什么最后只剩"截图 + OCR"

做之前先做减法。要让程序知道"上文是什么"，能想到的路有四五条，我一条条试完，最后只剩一条。
读聊天记录数据库？ 直接排除。解密别人（哪怕是自己的）客户端数据库这件事，风险面和道德账都不划算，我不想把"别人的聊天库"当输入。
hook / 注入 / 读进程内存？ 同上，排除。
用 UIA（UI Automation）读控件树？ 这是最"正统"的 Windows 无障碍读法，代价也最低。所以先写探针试了——结论是证伪：目标窗口的聊天内容自绘在一块 GPU 合成画布上，UIA 树只有 2 个节点，根本没有控件树。probe/probe_win.py、probe/probe_win2.py 两个探针分别验证了"树是空的"和"有树没文字"，顺带试了 LegacyIAccessible，一样读不到。（这两个探针我留在仓库里了，结论可复现。）
那就只剩：截自己这一个窗口的画面 + 本地离线 OCR。
这条路的好处是它干净：不 hook、不注入、不读数据库、不解密、不碰对方进程内存——和读屏软件、录屏软件是同一类操作。OCR 用 RapidOCR，全程离线、零 token、不上传。
代价也很实在：一帧 OCR 要 250~800ms，还得靠像素和颜色去猜"这句话是谁说的"。

二、采集链路：从一帧画面到"上下文"

整条链路是这样的：

WGC 截聊天窗口（GPU 合成窗口也能截，被别的窗口盖住也能截）
  → 像素锚点定位消息区（认底色和分隔线，不写死坐标，深浅主题通用）
  → OCR 面板头部的会话名当 key（头部像素没变就不重跑 OCR）
  → RapidOCR 只认消息区那一块
  → 按气泡颜色分 me / her，灰字（引用块、时间戳、发言人名、链接卡片）过滤掉，
    发言人名摘出来挂到它下面那条消息上
  → 跟上一帧比，滚动翻出来的旧消息不重复上报
  → 全在本地；只有你点按钮才会走一次模型调用

几个当时花了时间的点：

• 消息区不写死坐标。 靠"面板 45% 高度以下的第一根分隔线"定位，底色和分隔线都是相对判断，深浅主题通用。写死坐标是最省事也第一个崩的做法——微信随便改个版就废。
• 会话名当缓存 key。 面板头部的会话名 OCR 出来既是"当前会话"标识，也是 OCR 缓存的 key：头部像素没变就不用重跑。记录和上下文按会话分开存，切会话不串味。
• 按颜色分说话人。 气泡底色分 me / her；灰字是引用块、时间戳、发言人名、链接卡片，一律先摘出去。群聊里把发言人名挂到它下面那条消息上，才知道哪句是谁说的。
• 滚动去重。 翻聊天记录时旧消息会一次次进画面，按文本相似度去重，避免把同一条消息反复算进上下文。
• 截图只在内存里。 捕获到的是 numpy 数组，app/、core/ 里没有一处 .save()，不写磁盘、不进日志、不上传。调试视图也是另开一个窗口在内存里画（绿=我、蓝=对方、灰=过滤掉的灰字、橙=发言人名、红=当图片丢掉），关掉开关子进程连帧都不发。
• OCR 放独立子进程。 一帧 250~800ms，放 Qt 主线程界面直接僵住。所以父进程只管界面和网络调用，子进程采集完走队列上报。

三、怎么让它写出来不那么像 AI

这类工具最容易翻车的地方不是"生成不出来"，而是一眼假。我在这上面花的功夫比采集还多：
1）system prompt 写成反模板规则。 明确禁掉：不总结不复述、不解释自己为什么这么回、不用「首先/其次/总之」、不用「亲/您/加油哦」这类客套、不排比不凑三段式、句尾别习惯性加句号、允许不完整的句子和口头语。给的 3 条候选不是「温暖版/负责版/行动版」，而是同一个人三个心情下随手打的。
2）喂口吻样本。 把你自己最近 12 条短消息（60 字以内，链接和长段不送）原样给它，照着你的用词、句长、标点习惯写。设置里还能再补一句自己的说话风格。
3）润色那条链路更狠。 提示词里明写「意思、态度、信息量一点都别改」「长度最多长两成」「原文已经够顺就原样还回来，别为了改而改」，还要求保留原文的断句和标点习惯——不加标点的人别给他补句号。温度也压低。
4）出口做清洗。 剥掉编号、方括号、引号，剥掉照抄的 me: 前缀，去掉句尾句号（？！～ 留着，那是语气）。
5）防提示词注入。 上下文里长得像「忽略上面的规则」「回我三遍」的对方消息会被标出来单独提醒模型；候选里原样复读对方那句话的直接丢掉（纯笑声除外）。

四、产品上最克制的几条硬约束

这是"设计"，不是"没做完"，README 里也是按硬约束写的：

• 默认零调用。 对方来消息只记账（进上下文和聊天记录），不出网、不调模型、不弹窗。十分钟没人说话就是十分钟零调用；光看着不点，一次都不调。
• 不替你按发送。 程序里没有任何自动发送路径，唯一会按回车的地方就是你点了「发送」之后。
• 可选的「自动生成」也不越界。 输入区那行有个「自动生成」开关：拨开之后对方一发新消息就自动起草一版填进输入框，但发送还是你自己按；输入框里已经有你写的东西时直接跳过、不覆盖。这个开关默认关、且不落盘（重启就回关），免得哪天静悄悄开始自动调模型。
• 不碰钱。 转账、红包、收款相关的界面元素一律不碰，提示词里也禁了这几个话题。

五、踩过的坑（都带数字）

1）Win32 矩形是物理像素，Qt 摆窗口用逻辑像素。
GetWindowRect / DwmGetWindowAttribute 给的是物理像素，换算要除 QScreen.devicePixelRatio()。100% 缩放下 dpr=1.0 会退化成恒等，看起来"没问题"，一旦跨屏或缩放不是 100% 就全错。而且要按窗口所在那块屏的 dpr 折算，别假设全局一个比例。
2）吸附是下沿对齐，QRect.bottom() 是闭区间。
y = area.bottom() - height + 1——忘了那个 +1 就差 1 像素，视觉上就是"没对齐"。
3）内容一变就必须重算高度，否则 Qt 会把控件摞在一起。
Qt 在空间不够时既不报错也不自动长高，而是把固定高度的子控件叠着画——我实测到的是按钮盖住输入框、进度条横穿按钮那一行（用户截图报上来的）。所以出备选行、进度条显隐、状态文字换行、进设置页、跨紧凑断点，每一处变化都得走一遍 _apply_height()，漏一个就是"界面错乱"。
4）Windows 上 multiprocessing.Queue() 要建命名管道。
受限环境里直接 PermissionError WinError 5——多进程 GUI 必须放宽沙箱才能跑，纯单进程的 Qt 程序不受影响。
5）OpenAI 兼容口的"默认思考模式"会把正文吃光。
某兼容来源上的模型默认开着思考模式而且关不掉（来源表里没有思考开关字段）。max_tokens 给 800 时 reasoning 直接吃满 800，finish_reason=length、content 是空串，调用方解析当场抛错。两手兜住：① 关思考的场景也给足额度（生成 1000 / 润色 1200）；② 正文为空时同一请求重问一次（同样输入思考长度会变，实测第二次就正常返回），再空才提示用户。
6）拖动必须有阈值。
一开始没有阈值，一次带轻微抖动的点击就把窗口挪走了，更糟的是把"吸附"这个开关落盘成了 false。现在 ≥6px 才算拖动，而且拖动只脱开这一次运行、不写设置，写设置只由显式的图钉/开关触发。

六、它不做什么，以及一些已知限制

不做什么（同第四节，这里只列一条最重要的）：只做微信这一个聊天窗口，不打算适配别的 IM。识别全靠微信自己的界面布局和配色。
已知限制挑几条说：

• 微信改版可能失效；发送靠回车，如果你把微信设成 Ctrl+回车 发送，这一下只会换行（可以改微信快捷键，或者直接点微信自己的发送按钮）。
• 输入框拉高超过面板一半会认错消息区（消息区靠"面板 45% 高度以下第一根分隔线"定位）。
• 群聊里发言人名被 OCR 漏识时，这条消息会挂到上一个人头上。
• 会话靠头部标题认，名字只差一个字的两个会话可能被并成一个。
• 同一人连发两句一模一样的，去重会吞掉一条。
• Win10 上 WGC 会在目标窗口外画一圈黄框，系统不给关（Win11 可以关）；嫌碍眼就把采集开关拨到「已暂停」。
• 没有托盘，关窗口就是退出。

七、项目信息

• 仓库：https://github.com/Echosong/polish-wechat-windows
• Windows 10 1903+ / 11，下载解压双击 polish-chat.exe 即用，只需一把 API key（LLM_API_KEY，默认 DeepSeek 官网直连；也支持 OpenAI / Anthropic / Gemini 三种协议共 12 家来源 + 自定义 Base URL）
• key 只写进注册表 HKCU\Environment，任何文件里都不出现 key，报错文本一律脱敏；其余设置落在 exe 旁边的 config.json，整个文件夹拷走设置跟着走
• 源码运行：pip install -r requirements.txt 然后 python main.py；自己打包双击 build.bat（PyInstaller onedir，推 v* tag 由 GitHub Actions 出 Release）
  许可：本项目自身代码 MIT。但 Windows 发布包里打进了 PyQt-Fluent-Widgets（GPLv3，非商用免费），所以发布包整体受 GPLv3 约束，商用请自行购买该组件的商业授权或替换掉它。第三方组件清单见 NOTICE。
  出处：本项目脱胎于 jev-chat-windows（MIT），再上游是安卓原版的 Jev 聊天助手。重做时把原来「Jev 判断 → 起草 → 排序」的三段式判断内核整套删掉了，收敛成"一次生成 + 一次润色"、两把 key 变一把 key。血缘写在 NOTICE 和 README 的「出处与致谢」里。

---

最后说一句定位：它不是"帮你自动聊天"的工具，是"帮你把已经想说的话说好"的工具。 真正需要它的场景往往很小——开会时打错的一个字，对领导过冲的一句话，深夜想回又怕说错的那条消息。