第11章 - 人类行为模拟

机器操作的最大特征是「太完美」——鼠标瞬间直线到达、打字零失误、间隔精确一致。这种机械的完美恰恰是风控系统识别「机器人」的依据。robotgo-flow 的人类行为模拟（Human Behavior Simulation）正是为了让自动化操作「像真人」，从而降低被检测的风险。本章深入其贝塞尔曲线鼠标轨迹、打字错误模拟、可变延时、滚动抖动与空闲行为的实现原理。

11.1 为什么要模拟人类

真实用户的操作充满「不完美」：

鼠标移动是带弧度的曲线，接近目标时会减速，甚至有轻微「过冲」再回调；
打字会偶尔打错，然后退格改正；
每次操作的间隔时间都不一样；
滚动是一段段的，不是匀速的；
等待时手会不自觉地微动。

机器如果把这些「不完美」也模拟出来，就更难与真人区分。这对需要对抗风控的自动化场景（如反爬、防机器人检测）很有价值。

11.2 如何启用

人类行为模拟通过 YAML 的 settings.human 启用：

settings:
  human:
    enabled: true         # 启用
    speed: 0.8            # 速度系数（0.1 ~ 5.0），越小越慢
    mistake_rate: 0.03    # 打字错误率（0.0 ~ 1.0），0.03 = 3%

enabled：总开关，false（默认）时所有人类行为均不生效，走普通快速模式；
speed：速度系数，范围 0.1～5.0，默认 1.0。数值越小操作越慢（越接近悠闲的真人），越大越快；
mistake_rate：打字错误率，范围 0.0～1.0，默认 0.0（不出错）。0.03 表示约 3% 的字符会「打错再改」。

在源码中，引擎的 EnableHuman(enabled, speed, mistakeRate, idle, scroll, overshoot) 会据此创建 humanMode 实例；若未启用则该实例为 nil，引擎所有方法都走普通分支。

11.3 速度系数如何影响延时

humanMode 会根据 speed 推导出一系列延时范围（并做上下限裁剪）：

打字延时：typeDelayMin = clamp(50/speed, 10, 500) 毫秒，typeDelayMax = clamp(250/speed, 30, 1000) 毫秒；
点击延时：clickDelayMin = clamp(80/speed, 20, 600) 毫秒，clickDelayMax = clamp(350/speed, 60, 1500) 毫秒。

可以看出，speed 越小（比如 0.5），分母越小、延时越大，操作越慢；speed 越大，延时越小，操作越快。每次实际延时都在 [min, max] 之间随机取值，保证「不一致」。

11.4 贝塞尔曲线鼠标轨迹

这是人类模拟最直观的部分。普通模式下鼠标用 robotgo.MoveSmooth 走直线；人类模式下走三次贝塞尔曲线。

11.4.1 moveMouseTo 的逻辑

引擎移动鼠标时调用 moveMouseTo：

短距离（距离 < 20px）：直接 robotgo.Move 到位，加 10～40ms 随机延时（近距离没必要画曲线）；
长距离：生成一条贝塞尔曲线路径（bezierPath）并沿路径逐点移动（walkPath）；
过冲（overshoot）：15% 概率先「冲过头」±7px，再走回目标，模拟真人的手部惯性；
收尾：无论如何最后都执行一次精确的 robotgo.Move(x, y)，确保最终落点准确。

11.4.2 bezierPath：路径生成

bezierPath 生成曲线的控制点：

两个控制点分别位于起终点距离的 20%～50% 处，并带有 ±45° 的角度偏移——这让每次的曲线形状都不同；
采样点数量为 clamp(int(dist * 0.8), 50, 200)——距离越长采样越多、轨迹越平滑。

11.4.3 walkPath：速度曲线

沿路径移动时，速度不是匀速的，而是模拟真人的「加速—巡航—减速—落点」：

进度区间	每点耗时	阶段
0～30%	1～3 ms	加速
30～70%	2～5 ms	巡航
70～90%	5～12 ms	减速
90～100%	10～25 ms	落点

越接近目标越慢，正是人手操作鼠标的典型节奏。

11.5 打字错误模拟

人类模式下，TypeText 逐字输入，并按 mistake_rate 概率制造「打错再改」的效果。当 rand.Float64() < mistakeRate 时，随机采用三种错误类型之一：

类型	行为
类型 0：相邻键错误	先按下相邻的错误键 → 退格 → 再按正确键
类型 1：漏字	先跳过当前字打下一个字 → 退格 → 补回当前字 → 再打下一个字（顺序修正）
类型 2：顺序颠倒	先把两个字颠倒打出 → 连退两格 → 按正确顺序重打

其中「相邻键错误」依赖 keyboard_layout.go 中的 QWERTY 键盘邻接映射（adjacentKeys）——它记录了每个字母键在键盘上的相邻键，从而模拟「手指按偏了一个键」的真实错误。

每个字符之间还有 [typeDelayMin, typeDelayMax] 的随机间隔，让打字节奏自然。

11.6 滚动抖动

普通模式下 scroll 一次滚到位；人类模式下（启用滚动抖动 scrollJitter）：

把滚动量拆成 1～3 单位的小步，逐步执行；
每步之间有 30～120ms 的随机间隔；
结束后有 20% 概率轻微反向回滚 1～2 单位——模拟真人「滚过头又拉回来一点」。

若滚动抖动未启用或滚动量很小（≤ 1），则直接调用 robotgo.ScrollDir 一次滚动。

11.7 空闲行为与鼠标微抖

真人在等待时，手不会完全静止。人类模式下的等待（idleWait）会：

把总等待时间拆成 200～500ms 的小块；
每一块有 15% 概率触发 idleWiggle——把鼠标微移 ±5px 再复位，模拟手的轻微抖动。

此外，步骤之间也有一定概率把鼠标移动到随机位置，进一步增加「人味」。

11.8 速度、错误率如何取值

参数的选择取决于你的目标：

追求隐蔽性：speed 取 0.5～0.9（偏慢更像真人），mistake_rate 取 0.02～0.05（少量错误）；
追求效率：speed 取 1.5～3.0（更快），mistake_rate 设 0（不出错）；
演示/调试：speed 取较小值让操作肉眼可见，便于观察每一步。

注意：错误率过高（如 > 0.1）会显著拖慢打字并可能引入意外，一般不建议；框架也会把 mistake_rate 裁剪到 [0.0, 1.0]、speed 裁剪到 [0.1, 5.0] 的合法范围。

11.9 完整示例

一个启用人类行为模拟、偏隐蔽的登录工作流片段：

name: "拟人登录"

settings:
  element_timeout: 15
  human:
    enabled: true
    speed: 0.7          # 偏慢，更像真人
    mistake_rate: 0.03  # 3% 打字错误

inputs:
  - name: user
    label: "账号"
    required: true
  - name: pass
    label: "密码"
    required: true
    mask: true

steps:
  - name: "登录"
    actions:
      - open_url: "https://example.com/login"
      - wait: "templates/form.png"
      - type: {into: "templates/input_user.png", text: "$input.user"}
      - type: {into: "templates/input_pass.png", text: "$input.pass"}
      - click: "templates/btn_login.png"
      - wait: "templates/home.png"

启用后，鼠标会以曲线移动、打字偶有修正、操作间隔不一，整体呈现「真人操作」的观感。

11.10 小结

本章我们深入了人类行为模拟这一核心机制：通过 settings.human 启用，speed 控制整体快慢并推导各类延时，mistake_rate 控制打字错误率。我们剖析了贝塞尔曲线鼠标轨迹（含过冲与加速—减速的速度曲线）、三种打字错误类型（相邻键/漏字/颠倒，依赖 QWERTY 邻接表）、滚动分块抖动与回滚、空闲时的鼠标微抖等实现细节，并给出了参数取值建议。这套机制让 robotgo-flow 的操作更贴近真人，降低被检测风险。下一章，我们回到工具层面，详解 CLI 的四个命令。