目标

在 Ubuntu 物理机（i5-3570）上，用 Docker 跑起官方微信 Linux 版，对指定群做全自动监听+回复，并在博客后台单独开一个 WeChat RPA 看板管起来。默认干跑只读不发，调通再真发。

1. 为什么是这套方案

最早想的是全屏截图+视觉模型读图，实测两个问题：旧 CPU 跑图像又慢又飘；全局截屏容易回错群。网盘那篇 Ubuntu_.md 改用独立窗口物理隔离 + 剪贴板轮询 + 水位线，正好对症：wmctrl 按窗口标题只盯一群；Ctrl+A/C 走剪贴板拿纯文本，不怕缩放换肤；MD5 水位记最后一条，新消息才触发，资源极低。

我相对原案做了 8 处加固：相对坐标替代写死 400,250；正则提 sender/time/msg 替代 substring 判自己；结构化水位+去重集；窗口丢失重试；环境变量配置化；15s 发送限流；DRY_RUN 默认只读；rpa+audit 双日志。详见容器目录 DEV_SPEC.md。

2. 容器侧：Dockerfile + start.sh + main.py

底座 ubuntu:22.04（官方 deb 明确支持 jammy，比宿主 25.04 稳）。220M 的 WeChatLinux_x86_64.deb 先下到构建目录 COPY 进去，避免每次构建重下。Xvfb 造 :99 假屏，openbox 当窗口管理器（wmctrl 必须有 WM），x11vnc+noVNC 暴露 5900/6080 给人扫码。

Xvfb :99 -screen 0 1280x800x24 &
openbox &
x11vnc -display :99 -forever -shared -rfbport 5900 -nopw &
websockify --web=/usr/share/novnc/ 6080 localhost:5900 &
/opt/wechat/wechat &  # 实测路径，脚本另有三处兜底探测
DRY_RUN=1 python3 /opt/main.py  # 定向RPA主程序
python3 /opt/vision-loop.py    # 独立截图排错，每5s一张留20张

main.py 主循环：等窗口出现→归位 800x600→建基线（旧消息不回）→每 5s 激活窗口、点阅读区、Ctrl+A/C、pyperclip 读文本→正则解析成 {sender,time,msg}→水位找新→过滤系统消息/自己/非@→剪贴板粘贴+回车。发完睡 1.2s 等上屏再同步水位，防止把自己当新消息。

TARGET_GROUP=VIP客户服务群  # =独立窗口标题，一字不差
BOT_NAME=AI助手
POLL_INTERVAL=5
DRY_RUN=1  # 先只读不发
ONLY_AT=0
MIN_REPLY_GAP=15

3. Web 后台：单独 wechat 模块

遵守站内约束：只增不改旧逻辑。新增 app/models_wechat.py 两表（wechat_targets 配群，wechat_events 收发审计），app/blueprints/admin/wechat_routes.py 7 个路由，两个模板，看板侧栏加一个入口。

看板 /admin/wechat 一页看全：容器状态（docker ps 白名单）、VNC 地址、最新 6 张截图、目标群表、最近 30 条审计；/wechat/logs?kind=rpa tail 日志；/wechat/shot?name=... 看原图。容器启停走 docker stop/start/restart 白名单（只认 wechat-linux/wechat-test）。

容器与库之间不直连：/wechat/api/config 拉配置、/wechat/api/report 按 msg_hash 去重上报，都走 X-API-Key（.env 的 ADMIN_API_KEY），与后台登录隔离。

4. 联调验证

1）docker build -t wechat-linux:4.1 约 3.6G，一次过（中文字体 61M 最慢）。2）先起 wechat-test，截图已看到官方微信扫码登录二维码，noVNC 200。3）浏览器开 http://192.168.1.178:6080/vnc.html 扫码，双击目标群弹出独立窗口，RPA 日志出现“基线已建立”即进入轮询。4）事故复盘：加完路由没重启 uwsgi，老进程不认新 endpoint，全站 admin 500→nginx 502，systemctl restart flaskblog 即好，之后改后台必重启。

5. 风险与下一步

个人号全自动仍可能限流封号：演示用小号+低频+限流+干跑先行。图片语音文件暂只跳过记日志。下一步：main.py 改轮询本后台 api/config 并 report 上报；llm_reply() 桩换成 Qwen/DeepSeek+RAG（先把复制文本正则成结构化数组再喂模型）；开 ONLY_AT giảm打扰。