Backgrind

你打开电脑，桌面上摊着三个窗口：左边是 Excel 表格，中间是某个 SaaS 后台，右边是 Chrome 浏览器。你要做的事很简单——把 Excel 里的一列客户编号，一个一个复制到 SaaS 后台的搜索框里，查状态，再把结果填回 Excel 的对应列。一共 200 行。你深吸一口气，开始机械地复制、粘贴、等待、复制、粘贴。手指酸了，眼睛花了，第 47 行的时候你复制错了编号，查出来的结果全乱套，你骂了一句，从头再来。这不是你一个人的日常。任何需要跨应用重复操作的工作——客服录入、财务对账、游戏里刷日常任务——都长这样。你明明知道电脑能做，但你就是找不到一个工具能“看”懂屏幕上的按钮和输入框，然后替你把手指动起来。

Backgrind 就是冲着这个来的。它不挑应用，不挑界面，甚至不挑游戏。你告诉它你要做什么，它自己看屏幕，自己找按钮，自己点。具体怎么用？你先打开目标应用——比如那个 SaaS 后台，或者《原神》的日常任务界面。然后你在 Backgrind 里描述任务：“把左边表格里每一行的订单号，粘贴到搜索框，点查询，把结果里的金额复制到右边表格。” 它不需要 API，不需要插件，不需要开发者给你写脚本。它直接看你的屏幕截图，识别出搜索框在哪、按钮长什么样、表格的单元格怎么定位。然后它开始模拟鼠标移动和键盘输入，就像你亲手操作一样。做完之后，它把结果写回你指定的位置，或者直接弹个通知告诉你“搞定了”。上下游？它不接任何系统，它只接你的屏幕和你的手。

你可以把它想象成一个“看得见屏幕的机器人手指”。传统自动化工具像 RPA，需要你教它“点击坐标 (x,y)”，一旦窗口大小变了、按钮位置挪了，它就废了。Backgrind 用的是视觉——它像人一样看屏幕，认出“那个蓝色的‘提交’按钮”，而不是记住它的像素位置。所以窗口可以缩放，按钮可以换皮肤，它依然能找到。这就像你让一个实习生去操作电脑，你不教他快捷键，只告诉他“点那个绿色的按钮”，他能自己找到。

和同类工具比，比如 UiPath 或者 Keyboard Maestro，它们走的是“录制回放”或“API 对接”的路。录制回放的问题是脆弱——录的时候窗口在左上角，下次打开在右下角，脚本就偏了。API 对接的问题是门槛高——你得有权限、有文档、会写代码。Backgrind 选了一条更笨但更通用的路：用 AI 视觉理解界面。代价是它慢一点，因为每次操作前要截图、识别、决策；而且对高度动态的界面（比如 3D 游戏里快速移动的按钮）可能识别不准。但好处是，你不需要任何技术背景，只要会描述任务，它就能干活。

当然，它也有明显的边界。如果你的应用是纯命令行终端，没有图形界面，Backgrind 就没什么用——它依赖视觉。如果你的任务需要极低的延迟，比如毫秒级的游戏操作，它可能跟不上。另外，它需要访问你的屏幕和鼠标键盘，安全风险你得自己掂量——别让它登录你的银行账户然后离开座位。还有一个限制：它目前只能处理“看得见”的操作，如果某个按钮需要先悬停才能出现，它可能得额外学一下。但总的来说，对于那种“重复、枯燥、但规则明确”的桌面操作，它是个不错的替代方案。

我认识一个做游戏代练的朋友，他每天要手动登录 20 个账号，每个账号做一遍日常任务，领奖励，下线。以前他雇了两个人轮班，每个月工资 6000 块。他试过用 AutoHotkey 写脚本，但游戏一更新，界面按钮位置变了，脚本就废了。后来他装了 Backgrind，对着游戏录了一遍操作，然后告诉它“每天凌晨 3 点，按这个顺序跑一遍”。第一个晚上他有点紧张，怕被封号。第二天早上他打开电脑，看到 20 个账号全部完成了日常，奖励已领取，截图存在文件夹里。他愣了几秒，然后取消了那两个人的排班。