semana-javascript-expert07
semana-javascript-expert07 是一个基于 JavaScript 的开源交互项目,旨在让用户仅通过摄像头捕捉的眼部和手部动作,即可无需接触设备地控制流媒体平台。它巧妙解决了传统触控或鼠标操作在特定场景下不便的问题,实现了“隔空”滚动页面、点击元素以及通过眨眼播放或暂停视频的自然交互体验。
该项目非常适合前端开发者、计算机视觉爱好者以及希望探索无接触交互设计的工程师使用。作为"JS Expert Week 7.0"的教学实战代码,它不仅提供了完整的功能演示,还包含了一系列循序渐进的挑战任务,帮助学习者深入理解相关技术。
其核心技术亮点在于将复杂的机器学习推理过程移至 Web Worker 中运行,有效避免了主线程阻塞,确保了界面操作的流畅性。同时,项目利用先进的姿态识别算法,精准区分手掌开合(控制上下滚动)、捏合手势(触发点击)以及左右眼眨眼等细微动作,并在屏幕上实时渲染虚拟手部轨迹,且不影响背景元素的可点击性。无论是用于学习前沿的浏览器端 AI 应用开发,还是作为无障碍交互的原型参考,semana-javascript-expert07 都是一个极具价值的实践范本。
使用场景
一位前端开发者正在为博物馆的互动展览构建一个无需触摸的网页导览系统,让观众能通过手势和眼神控制视频播放与页面滚动。
没有 semana-javascript-expert07 时
- 观众必须寻找物理按钮或触摸屏来操作内容,在公共卫生敏感时期存在交叉感染风险。
- 传统的鼠标悬停(Hover)逻辑无法识别虚拟手势,导致背景元素被手部识别框遮挡后无法点击。
- 视频播放控制依赖复杂的点击操作,老人和儿童难以快速上手,且无法实现“眨眼暂停”等自然交互。
- 机器学习模型若在主线程运行,会导致页面在处理视觉数据时卡顿,搜索框输入也会随之冻结。
- 区分左右眼眨眼或识别特定手型(如捏合、握拳)需要从零编写复杂的计算机视觉算法,开发周期极长。
使用 semana-javascript-expert07 后
- 观众只需对着摄像头张开手掌即可向上滚动,握拳向下滚动,完全实现零接触式流畅浏览。
- 工具自动处理渲染层级,确保虚拟手部绘制在前景的同时,背景中的标题和按钮依然可被精准点击。
- 集成眨眼检测功能,用户轻轻眨眼即可播放或暂停视频,极大提升了交互的自然度和包容性。
- 所有机器学习计算自动移至 Web Worker 后台线程,即使在进行实时手势追踪时,搜索输入和页面响应依然丝滑不卡顿。
- 直接调用内置的手势识别能力,轻松实现捏合触发点击、区分左右眼眨眼等高级功能,将数周的算法研发缩短为几天配置。
semana-javascript-expert07 将复杂的计算机视觉能力转化为简单的 JavaScript 接口,让开发者能低成本构建出具备未来感的无接触式人机交互体验。
运行环境要求
- Linux
- macOS
- Windows (需通过 WSL2 运行)
未说明 (浏览器端运行,依赖 WebGL 和硬件加速)
未说明

快速开始
JSExpertMax 手势控制器 - JS Expert 周 7.0
欢迎来到第七届 JavaScript Expert 周。这是开始我们旅程的初始代码。
请为该项目标上一颗星 🌟
实时演示
- 要测试最终项目,请点击这里
预览
先决条件
- 本项目使用 Node.js v19.6 创建。
- 建议在 Unix 环境(Linux)中运行该项目。如果您使用 Windows,推荐安装 Windows Subsystem for Linux,因为课程中会展示一些 Windows 上可能不存在的 Linux 命令。
重要提示
运行
- 在包含
package.json文件的目录下执行npm ci来恢复依赖包。 - 执行
npm start,然后在浏览器中访问 http://localhost:3000 查看页面。
功能清单
标题列表
- [] - 搜索框在输入搜索词时不应卡顿。
- [] - 应在屏幕上绘制手势,并确保背景元素仍可点击 🙌
- [] - 当使用张开的手掌时,应触发向上滚动 🖐
- [] - 当使用握紧的手掌时,应触发向下滚动 ✊
- [] - 当使用捏合手势时,应触发对最近元素的点击 🤏🏻
- [] - 移动屏幕上的元素时,应在相关元素上触发 :hover 事件。
视频播放器
- [] - 应能通过眨眼来播放或暂停视频 😁
- [] - 所有机器学习处理都应通过 Web Worker 完成。
挑战
- [] - 第 1 课:区分左右眼的眨眼,并更新日志以显示是哪只眼睛眨了。
- [] - 第 2 课:识别单独的手势并在日志中打印出来。
- [] - 第 3 课:修复视频标题横幅,使其位于手势图像之后并可点击。
- [] - 第 4 课:在视频播放器中也使用虚拟手势。
进阶挑战:实现单元测试并达到 100% 的覆盖率。
课程中提到的链接:
- 所有链接已汇总在 referencias.md 中。
注意事项
如有任何关于挑战的问题,请在我们的社区中提问,我们的目标是以有趣的方式帮助您学习。有问题就去那里问吧!
完成任何一项挑战后,请将其发送到 Discord 社区的 #desafios 频道。
常见问题解答
- browser-sync 在 Windows 上总是报错且无法启动:
- 解决方案:将 browser-sync 替换为 http-server。
- 使用
npm i -D http-server安装 http-server。 - 在 package.json 中删除所有 browser-sync 相关命令,并替换为
npx http-server .。 - 现在项目将在 :8080 端口运行,因此请在浏览器中访问 http://localhost:8080/。
- 唯一的缺点是,当您更改代码时,项目不会自动重新加载,每次修改都需要手动刷新页面。
- 使用
- 解决方案:将 browser-sync 替换为 http-server。
- 浏览器出现 “WebGL 不受此设备支持” 错误:
- 在 Chrome 中输入 chrome://gpu/ 检查 WebGL 是否已启用。
- 可能的解决方案:
- 选项 1:启用硬件加速(如果可用)。
- Chrome => 设置 > 系统 > 在可用时使用硬件加速。
- Firefox => 浏览器选项 > 性能 > 在可用时使用硬件加速。
- 选项 2:更新显卡驱动程序。
- 选项 3:将 WebGL 切换为 CPU(速度较慢)或 WebAssembly。
- (感谢 Discord 社区中的用户 Volpin)
- 选项 1:启用硬件加速(如果可用)。
布局说明
- 界面基于 gunnarhawk 的项目 Streaming Service。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器