agent-desktop 的词汇表很短。把这几个词弄清楚，命令参考里的每个 flag 都会变得理所当然。
快照与 ref
一次快照是界面在某一时刻的读数；ref 是这次读数里某个元素的地址，带着快照的 id。
骨架与下钻
密集界面先读结构再读局部，避免一次全量快照挤爆上下文。
界面
可以被快照和被操作的东西：窗口、对话框、菜单栏、桌面。
会话与追踪
把一串命令和它们各自的快照留在同一段历史里，供事后复盘。
一句话版本
- 快照（snapshot） —— 一次界面对操作系统的读数，产出 JSON 树和一个
snapshot_id。 - ref ——
@<snapshot_id>:<序号>，指向产生它的那次快照里的一个元素。 - 界面（surface） —— 一块可寻址的显示区域；
--app、--window-id、--root都在选它。 - 会话（session） —— 一段时间内的命令与快照记录；
trace是它的产物。 - 动作（action） —— 对一个 ref 施加的一次操作，
available_actions是它的白名单。
为什么不用像素匹配
像素匹配把界面当成一张图，智能体只能猜图里那块颜色是什么控件。可访问性树把界面当成一份有语义的
声明：这个元素的角色是 treeitem，名字是 Documents，此刻能接受 Click。
读到声明而不是猜图形，动作才有明确的对象，验证才有可比较的值。
代价同样明确：一个不发布可访问性树的界面，agent-desktop 读不到。