1. 从“能聊天”到“会动手”Claude Computer Use 到底解决了什么Claude Computer Use 是 Anthropic 给 Claude 加的一双“眼睛”和一只手模型不再只输出文字而是能截取当前屏幕画面理解界面上的按钮、输入框、菜单然后决定下一步是点击、输入还是滚动。它把“对话式 AI”推进到了 Agentic AI 的范畴——你给一个目标它自己拆步骤、自己操作、自己看结果直到任务完成。适合谁适合想把重复性桌面/浏览器操作交给 AI 的开发者、测试同学、做 RPA 替代方案的团队以及想研究 AGI 落地路径的技术人。但真正动手时第一个卡点往往不是模型能力而是“怎么把请求稳定地发出去”。Claude Computer Use 的调用链路比普通对话长得多每一步都要回传截图、工具调用结果、历史动作token 消耗和请求频率都高。如果本地环境里 Key 散落在多个工具、多个配置文件里切换模型、切换项目时很容易乱。我试过把 Key 统一收口到 TaoToken 的 API 通道用一套 Key 管理 Claude 系列模型的调用配置集中、切换干净后面演示的 config.toml 和 settings.json 都是围绕这个思路来的。这篇会按“能跑起来”的标准走先给可复制的配置骨架再演示一次端到端任务打开页面、填表单、读结果最后把常见报错逐条排掉。你不需要先理解全部原理跟着配、跟着跑就行。2. 前置准备用 TaoToken 统一 Key 与 API 通道2.1 为什么要在本地开发里做 Key 收口Claude Computer Use 的典型调用模式是“多轮工具循环”模型返回一个 tool_use比如 computer 工具动作是 screenshot 或 left_click你的执行器去操作再把结果回传。一个任务跑下来可能十几到几十轮请求。如果每轮都手动拼 Key、换 base_url出错概率很高。把 base_url 指向 TaoToken 的 API 地址Key 只维护一份模型名按需切换配置就稳定了。TaoToken 在这里的角色是统一的 API 通道你拿到一个 Key就能按 OpenAI 兼容或 Anthropic 兼容的方式去调 Claude 模型不用在本地维护多套凭证。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置里写干净的就行。2.2 拿 Key 与确认模型名先去控制台创建 API Key路径是 consolehttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。创建后复制那串 sk- 开头的 Key只显示一次先存到本地环境变量里别直接写进会提交到 git 的文件。模型名这块Computer Use 需要的是支持工具调用tool use的 Claude 模型。你在模型对话页可以先确认当前可用的模型标识https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。把模型名记下来后面 config.toml 里要填。注意Key 不要硬编码进代码或截图里。用环境变量TAOTOKEN_API_KEY注入配置文件里只引用变量名。3. 可复制配置config.toml 与 settings.json 骨架3.1 config.toml给 Computer Use 执行器用下面这份 config.toml 是给本地执行器负责截图、点击、回传结果的那层用的骨架。核心是把 base_url 指向 TaoTokenKey 从环境变量读模型名按你确认的填。# config.toml [api] # TaoToken 统一 API 通道注意此处不带 UTM 参数 base_url https://taotoken.net/api # 从环境变量读取避免明文落盘 api_key_env TAOTOKEN_API_KEY # 按控制台/模型页确认的 Claude 模型标识填写 model claude-sonnet-4-5 # Computer Use 多轮循环超时给足 timeout_seconds 120 max_retries 3 [computer] # 截图分辨率太高会显著增加 token 消耗 screen_width 1280 screen_height 800 # 每轮最多允许的连续动作数防止死循环 max_actions_per_step 10 # 动作间隔给界面渲染留时间 action_delay_ms 800 [logging] level info # 把每轮 tool_use 和截图路径记下来排障用 trace_dir ./traces几个参数值得说清楚screen_width/height直接决定截图体积进而影响每轮 token1280x800 是实测下来清晰度和成本的平衡点。action_delay_ms别设太小很多网页点击后要等渲染太快会点到旧状态。trace_dir建议开着出错时能回看模型当时“看到”的是什么。3.2 settings.json给 Claude Code / 客户端类工具用如果你用的是 Claude Code 这类带 settings.json 的客户端配置结构不一样但思路一致把 API 端点指向 TaoTokenKey 走环境变量。{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: ${TAOTOKEN_API_KEY}, ANTHROPIC_MODEL: claude-sonnet-4-5 }, permissions: { allow: [ computer:screenshot, computer:left_click, computer:type, computer:key ] }, settings: { requestTimeout: 120000, maxToolRounds: 30 } }ANTHROPIC_BASE_URL指向 TaoToken 的 API 基址ANTHROPIC_API_KEY用${TAOTOKEN_API_KEY}引用环境变量。permissions.allow里显式列出允许的 computer 动作避免模型调用未授权的操作。maxToolRounds是安全阀防止任务卡死时无限循环。3.3 用 CC Switch 做多配置切换本地同时有测试环境、生产 Key、不同模型时手动改配置文件很容易改错。CC Switch 这类配置切换工具的价值就在这把上面两份配置存成不同 profile一键切换。典型做法是维护一个 profiles 目录# 目录结构示例 ~/.cc-switch/ profiles/ taotoken-claude-sonnet/ config.toml settings.json taotoken-claude-haiku/ config.toml settings.json current - profiles/taotoken-claude-sonnet切换时只改current软链指向执行器读的永远是current下的配置。这样你在调试 Computer Use 任务时想换模型只切 profile不用动代码。切换后记得重启执行器进程让它重新加载配置。4. 端到端验证打开页面、填表单、读取结果4.1 任务定义我们跑一个最小但完整的任务打开一个公开的测试表单页填写姓名和邮箱提交后读取页面返回的确认文本。这个任务覆盖了 Computer Use 的三个核心动作——导航、输入、读取结果足够验证链路是否通。任务描述用自然语言给模型打开 https://example.com/form 在 Name 输入框填入 TaoToken Test 在 Email 输入框填入 testexample.com点击 Submit 按钮 然后读取页面上显示的确认信息并返回给我。4.2 执行器主循环骨架执行器的职责是把任务和截图发给模型拿到 tool_use执行动作把结果回传循环直到模型返回最终文本。下面是一个精简的 Python 骨架用 requests 直接调 TaoToken 的 API。import os import base64 import requests API_BASE https://taotoken.net/api API_KEY os.environ[TAOTOKEN_API_KEY] MODEL claude-sonnet-4-5 def screenshot_b64(): # 实际项目里用 pyautogui / mss 截图这里示意 with open(screen.png, rb) as f: return base64.b64encode(f.read()).decode() def call_model(messages): resp requests.post( f{API_BASE}/v1/messages, headers{ x-api-key: API_KEY, anthropic-version: 2023-06-01, content-type: application/json, }, json{ model: MODEL, max_tokens: 1024, messages: messages, tools: [{ type: computer_20241022, name: computer, display_width_px: 1280, display_height_px: 800, }], }, timeout120, ) resp.raise_for_status() return resp.json() def run_task(task: str): messages [{ role: user, content: [ {type: text, text: task}, {type: image, source: { type: base64, media_type: image/png, data: screenshot_b64(), }}, ], }] for _ in range(30): data call_model(messages) # 把模型返回加入历史 messages.append({role: assistant, content: data[content]}) tool_uses [b for b in data[content] if b[type] tool_use] if not tool_uses: # 没有工具调用说明模型给出了最终回答 return data[content] results [] for tu in tool_uses: action tu[input].get(action) # 这里根据 action 执行真实操作screenshot/left_click/type/key # 执行完把结果新截图或文本作为 tool_result 回传 results.append({ type: tool_result, tool_use_id: tu[id], content: [{type: image, source: { type: base64, media_type: image/png, data: screenshot_b64(), }}], }) messages.append({role: user, content: results}) raise RuntimeError(超过最大轮数任务未完成) if __name__ __main__: result run_task( 打开 https://example.com/form Name 填 TaoToken Test Email 填 testexample.com点 Submit读取确认信息。 ) print(result)关键点每轮把模型返回的 content 原样追加到 messages再把工具执行结果作为 user 消息回传。截图用 base64 内联media_type 写 image/png。computer_20241022是工具类型标识display 尺寸要和 config.toml 里一致否则坐标会偏。4.3 成功结果长什么样跑通后你会看到类似这样的输出模型先返回一个 tool_useaction 是 screenshot执行器回传截图模型再返回 left_click 或 type 动作几轮之后模型返回纯文本内容是页面上读到的确认信息比如“提交成功感谢 TaoToken Test”。同时 traces 目录下会有每轮的截图和动作记录可以回放整个操作过程。如果模型在某一轮返回的 tool_use 里 action 是typeinput 里会带text字段如果是key会带key字段比如 Return。你的执行器要把这些字段映射到真实的键盘鼠标操作。实测下来动作间隔给到 800ms 以上成功率明显更稳。5. 本篇常见报错排查5.1 401 / 403Key 或权限问题报 401 先查环境变量有没有真正注入echo $TAOTOKEN_API_KEY看有没有值。如果 Key 是从控制台复制的注意别带多余空格。403 通常是权限范围问题去 console 确认这个 Key 是否允许调用目标模型。配置里ANTHROPIC_API_KEY写成${TAOTOKEN_API_KEY}时要确认你的客户端支持变量展开不支持就直接读环境变量。5.2 400模型名或工具定义不匹配400 报错信息里一般会带具体字段。常见两种一是模型名写错去模型对话页核对当前可用标识二是 tools 定义里 display 尺寸和截图实际尺寸不一致模型算出的坐标会越界。把 config.toml 的 screen_width/height 和 tools 里的 display_width_px/height_px 对齐。5.3 坐标点偏 / 点不到按钮这是 Computer Use 最常见的坑。原因通常是截图缩放你截的是 1920x1080但告诉模型是 1280x800模型按 1280 算的坐标去点 1920 的屏幕自然偏。解决办法是截图后统一缩放到配置声明的尺寸再发给模型。另外高 DPI 屏幕要注意系统缩放截图 API 拿到的可能是物理像素需要按缩放比换算。5.4 任务卡死 / 无限循环模型反复截图但不推进多半是页面没加载完就截了或者上一步操作没生效。先加大action_delay_ms再检查max_actions_per_step和maxToolRounds是否生效。如果模型一直点同一个位置可能是它没“看到”状态变化检查回传的截图是不是最新的。trace 目录里的截图序列能直接看出卡在哪一步。5.5 超时 / 连接失败Computer Use 单轮请求可能跑很久timeout 给到 120 秒。如果频繁超时先确认 base_url 写的是https://taotoken.net/api没有多余路径。网络层的问题看执行器日志里的具体异常别只看“请求失败”四个字。6. 把配置沉淀下来继续往下走跑通上面这个最小任务后建议把 config.toml 和 settings.json 存成 profile用 CC Switch 管理起来。后面你要换模型、换任务、换环境只切 profile 就行不用每次重配。Key 的管理统一走 TaoToken 控制台接入文档在 dochttps://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有 API 兼容层的细节和参数说明遇到字段对不上时去查一眼比猜快。如果你主要做长期编码或 Agent 类任务Coding Plan 更适合持续调用https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。只是想先验证模型对某个界面的理解能力用模型对话页快速试https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。Key 的创建和轮换都在 API Keys 页https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。最后留一个实操建议第一次跑真实任务时别直接上生产表单先用本地起的静态页面练手把截图缩放、坐标换算、动作延迟这三个变量调稳再换真实目标。trace 目录记得定期清理截图攒多了很占空间。
Claude Computer Use 实战：用 TaoToken 统一 Key 让 AI 像人类一样操作计算机完成任务
1. 从“能聊天”到“会动手”Claude Computer Use 到底解决了什么Claude Computer Use 是 Anthropic 给 Claude 加的一双“眼睛”和一只手模型不再只输出文字而是能截取当前屏幕画面理解界面上的按钮、输入框、菜单然后决定下一步是点击、输入还是滚动。它把“对话式 AI”推进到了 Agentic AI 的范畴——你给一个目标它自己拆步骤、自己操作、自己看结果直到任务完成。适合谁适合想把重复性桌面/浏览器操作交给 AI 的开发者、测试同学、做 RPA 替代方案的团队以及想研究 AGI 落地路径的技术人。但真正动手时第一个卡点往往不是模型能力而是“怎么把请求稳定地发出去”。Claude Computer Use 的调用链路比普通对话长得多每一步都要回传截图、工具调用结果、历史动作token 消耗和请求频率都高。如果本地环境里 Key 散落在多个工具、多个配置文件里切换模型、切换项目时很容易乱。我试过把 Key 统一收口到 TaoToken 的 API 通道用一套 Key 管理 Claude 系列模型的调用配置集中、切换干净后面演示的 config.toml 和 settings.json 都是围绕这个思路来的。这篇会按“能跑起来”的标准走先给可复制的配置骨架再演示一次端到端任务打开页面、填表单、读结果最后把常见报错逐条排掉。你不需要先理解全部原理跟着配、跟着跑就行。2. 前置准备用 TaoToken 统一 Key 与 API 通道2.1 为什么要在本地开发里做 Key 收口Claude Computer Use 的典型调用模式是“多轮工具循环”模型返回一个 tool_use比如 computer 工具动作是 screenshot 或 left_click你的执行器去操作再把结果回传。一个任务跑下来可能十几到几十轮请求。如果每轮都手动拼 Key、换 base_url出错概率很高。把 base_url 指向 TaoToken 的 API 地址Key 只维护一份模型名按需切换配置就稳定了。TaoToken 在这里的角色是统一的 API 通道你拿到一个 Key就能按 OpenAI 兼容或 Anthropic 兼容的方式去调 Claude 模型不用在本地维护多套凭证。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置里写干净的就行。2.2 拿 Key 与确认模型名先去控制台创建 API Key路径是 consolehttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。创建后复制那串 sk- 开头的 Key只显示一次先存到本地环境变量里别直接写进会提交到 git 的文件。模型名这块Computer Use 需要的是支持工具调用tool use的 Claude 模型。你在模型对话页可以先确认当前可用的模型标识https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。把模型名记下来后面 config.toml 里要填。注意Key 不要硬编码进代码或截图里。用环境变量TAOTOKEN_API_KEY注入配置文件里只引用变量名。3. 可复制配置config.toml 与 settings.json 骨架3.1 config.toml给 Computer Use 执行器用下面这份 config.toml 是给本地执行器负责截图、点击、回传结果的那层用的骨架。核心是把 base_url 指向 TaoTokenKey 从环境变量读模型名按你确认的填。# config.toml [api] # TaoToken 统一 API 通道注意此处不带 UTM 参数 base_url https://taotoken.net/api # 从环境变量读取避免明文落盘 api_key_env TAOTOKEN_API_KEY # 按控制台/模型页确认的 Claude 模型标识填写 model claude-sonnet-4-5 # Computer Use 多轮循环超时给足 timeout_seconds 120 max_retries 3 [computer] # 截图分辨率太高会显著增加 token 消耗 screen_width 1280 screen_height 800 # 每轮最多允许的连续动作数防止死循环 max_actions_per_step 10 # 动作间隔给界面渲染留时间 action_delay_ms 800 [logging] level info # 把每轮 tool_use 和截图路径记下来排障用 trace_dir ./traces几个参数值得说清楚screen_width/height直接决定截图体积进而影响每轮 token1280x800 是实测下来清晰度和成本的平衡点。action_delay_ms别设太小很多网页点击后要等渲染太快会点到旧状态。trace_dir建议开着出错时能回看模型当时“看到”的是什么。3.2 settings.json给 Claude Code / 客户端类工具用如果你用的是 Claude Code 这类带 settings.json 的客户端配置结构不一样但思路一致把 API 端点指向 TaoTokenKey 走环境变量。{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: ${TAOTOKEN_API_KEY}, ANTHROPIC_MODEL: claude-sonnet-4-5 }, permissions: { allow: [ computer:screenshot, computer:left_click, computer:type, computer:key ] }, settings: { requestTimeout: 120000, maxToolRounds: 30 } }ANTHROPIC_BASE_URL指向 TaoToken 的 API 基址ANTHROPIC_API_KEY用${TAOTOKEN_API_KEY}引用环境变量。permissions.allow里显式列出允许的 computer 动作避免模型调用未授权的操作。maxToolRounds是安全阀防止任务卡死时无限循环。3.3 用 CC Switch 做多配置切换本地同时有测试环境、生产 Key、不同模型时手动改配置文件很容易改错。CC Switch 这类配置切换工具的价值就在这把上面两份配置存成不同 profile一键切换。典型做法是维护一个 profiles 目录# 目录结构示例 ~/.cc-switch/ profiles/ taotoken-claude-sonnet/ config.toml settings.json taotoken-claude-haiku/ config.toml settings.json current - profiles/taotoken-claude-sonnet切换时只改current软链指向执行器读的永远是current下的配置。这样你在调试 Computer Use 任务时想换模型只切 profile不用动代码。切换后记得重启执行器进程让它重新加载配置。4. 端到端验证打开页面、填表单、读取结果4.1 任务定义我们跑一个最小但完整的任务打开一个公开的测试表单页填写姓名和邮箱提交后读取页面返回的确认文本。这个任务覆盖了 Computer Use 的三个核心动作——导航、输入、读取结果足够验证链路是否通。任务描述用自然语言给模型打开 https://example.com/form 在 Name 输入框填入 TaoToken Test 在 Email 输入框填入 testexample.com点击 Submit 按钮 然后读取页面上显示的确认信息并返回给我。4.2 执行器主循环骨架执行器的职责是把任务和截图发给模型拿到 tool_use执行动作把结果回传循环直到模型返回最终文本。下面是一个精简的 Python 骨架用 requests 直接调 TaoToken 的 API。import os import base64 import requests API_BASE https://taotoken.net/api API_KEY os.environ[TAOTOKEN_API_KEY] MODEL claude-sonnet-4-5 def screenshot_b64(): # 实际项目里用 pyautogui / mss 截图这里示意 with open(screen.png, rb) as f: return base64.b64encode(f.read()).decode() def call_model(messages): resp requests.post( f{API_BASE}/v1/messages, headers{ x-api-key: API_KEY, anthropic-version: 2023-06-01, content-type: application/json, }, json{ model: MODEL, max_tokens: 1024, messages: messages, tools: [{ type: computer_20241022, name: computer, display_width_px: 1280, display_height_px: 800, }], }, timeout120, ) resp.raise_for_status() return resp.json() def run_task(task: str): messages [{ role: user, content: [ {type: text, text: task}, {type: image, source: { type: base64, media_type: image/png, data: screenshot_b64(), }}, ], }] for _ in range(30): data call_model(messages) # 把模型返回加入历史 messages.append({role: assistant, content: data[content]}) tool_uses [b for b in data[content] if b[type] tool_use] if not tool_uses: # 没有工具调用说明模型给出了最终回答 return data[content] results [] for tu in tool_uses: action tu[input].get(action) # 这里根据 action 执行真实操作screenshot/left_click/type/key # 执行完把结果新截图或文本作为 tool_result 回传 results.append({ type: tool_result, tool_use_id: tu[id], content: [{type: image, source: { type: base64, media_type: image/png, data: screenshot_b64(), }}], }) messages.append({role: user, content: results}) raise RuntimeError(超过最大轮数任务未完成) if __name__ __main__: result run_task( 打开 https://example.com/form Name 填 TaoToken Test Email 填 testexample.com点 Submit读取确认信息。 ) print(result)关键点每轮把模型返回的 content 原样追加到 messages再把工具执行结果作为 user 消息回传。截图用 base64 内联media_type 写 image/png。computer_20241022是工具类型标识display 尺寸要和 config.toml 里一致否则坐标会偏。4.3 成功结果长什么样跑通后你会看到类似这样的输出模型先返回一个 tool_useaction 是 screenshot执行器回传截图模型再返回 left_click 或 type 动作几轮之后模型返回纯文本内容是页面上读到的确认信息比如“提交成功感谢 TaoToken Test”。同时 traces 目录下会有每轮的截图和动作记录可以回放整个操作过程。如果模型在某一轮返回的 tool_use 里 action 是typeinput 里会带text字段如果是key会带key字段比如 Return。你的执行器要把这些字段映射到真实的键盘鼠标操作。实测下来动作间隔给到 800ms 以上成功率明显更稳。5. 本篇常见报错排查5.1 401 / 403Key 或权限问题报 401 先查环境变量有没有真正注入echo $TAOTOKEN_API_KEY看有没有值。如果 Key 是从控制台复制的注意别带多余空格。403 通常是权限范围问题去 console 确认这个 Key 是否允许调用目标模型。配置里ANTHROPIC_API_KEY写成${TAOTOKEN_API_KEY}时要确认你的客户端支持变量展开不支持就直接读环境变量。5.2 400模型名或工具定义不匹配400 报错信息里一般会带具体字段。常见两种一是模型名写错去模型对话页核对当前可用标识二是 tools 定义里 display 尺寸和截图实际尺寸不一致模型算出的坐标会越界。把 config.toml 的 screen_width/height 和 tools 里的 display_width_px/height_px 对齐。5.3 坐标点偏 / 点不到按钮这是 Computer Use 最常见的坑。原因通常是截图缩放你截的是 1920x1080但告诉模型是 1280x800模型按 1280 算的坐标去点 1920 的屏幕自然偏。解决办法是截图后统一缩放到配置声明的尺寸再发给模型。另外高 DPI 屏幕要注意系统缩放截图 API 拿到的可能是物理像素需要按缩放比换算。5.4 任务卡死 / 无限循环模型反复截图但不推进多半是页面没加载完就截了或者上一步操作没生效。先加大action_delay_ms再检查max_actions_per_step和maxToolRounds是否生效。如果模型一直点同一个位置可能是它没“看到”状态变化检查回传的截图是不是最新的。trace 目录里的截图序列能直接看出卡在哪一步。5.5 超时 / 连接失败Computer Use 单轮请求可能跑很久timeout 给到 120 秒。如果频繁超时先确认 base_url 写的是https://taotoken.net/api没有多余路径。网络层的问题看执行器日志里的具体异常别只看“请求失败”四个字。6. 把配置沉淀下来继续往下走跑通上面这个最小任务后建议把 config.toml 和 settings.json 存成 profile用 CC Switch 管理起来。后面你要换模型、换任务、换环境只切 profile 就行不用每次重配。Key 的管理统一走 TaoToken 控制台接入文档在 dochttps://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有 API 兼容层的细节和参数说明遇到字段对不上时去查一眼比猜快。如果你主要做长期编码或 Agent 类任务Coding Plan 更适合持续调用https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。只是想先验证模型对某个界面的理解能力用模型对话页快速试https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。Key 的创建和轮换都在 API Keys 页https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。最后留一个实操建议第一次跑真实任务时别直接上生产表单先用本地起的静态页面练手把截图缩放、坐标换算、动作延迟这三个变量调稳再换真实目标。trace 目录记得定期清理截图攒多了很占空间。