Niewidoczna ściągawka do rozmów kwalifikacyjnych - Analiza OpenCluely

Wyobraź sobie taką sytuację: jesteś na online'owej rozmowie kwalifikacyjnej. Udostępniasz ekran w Zoom, a Twój umysł nagle pustka - nie pamiętasz rotacji drzewa binarnego. Szukanie czegoś na drugim monitorze jest ryzykowne, a odwrócenie wzroku od kamery natychmiast wzbudza podejrzenia u rekrutera.

OpenCluely ostatnio zyskał popularność na GitHubie. To asystent pulpitu, który jest widoczny dla Ciebie na ekranie, ale całkowicie ukryty przed oprogramowaniem do nagrywania i udostępniania ekranu.

Co potrafi aplikacja

OpenCluely pozycjonuje się jako darmowa alternatywa dla Cluely. Działa jako aplikacja Electron, która tworzy niewidoczny overlay na wierzchu Twoich okien.

Główny nacisk aplikacji to interakcja z oprogramowaniem do wideokonferencji. Gdy włączysz udostępnianie ekranu w Zoom, Google Meet, Microsoft Teams lub rozpoczniesz nagrywanie w OBS, strumień wideo po prostu nie zawiera okna asystenta.

Informacje są dostarczane na dwa sposoby:

• Robisz zrzut ekranu problemu, a model analizuje obraz.
• Wypowiadasz pytanie do mikrofonu, a tekst jest rozpoznawany w czasie rzeczywistym.

Odpowiedź pojawia się znak po znaku w małym oknie lub czacie w miarę jej generowania.

Jak osiągana jest niewidoczność

Deweloperzy wykorzystali API systemu operacyjnego, aby chronić treść przed przechwyceniem.

Na macOS jest to obsługiwane przez parametr NSWindowSharingNone. Windows używa flagi WDA_EXCLUDEFROMCAPTURE. Electron ustawia te opcje dla okna aplikacji, więc przechwytywacze ekranu widzą tylko to, co znajduje się pod overlayem.

Linux to inna historia. X11 i Wayland nie mają podobnej flagi menedżera okien. Autorzy uczciwie ostrzegają w dokumentacji: na Linuksie overlay będzie widoczny dla wszystkich uczestników spotkania. Jako częściowe rozwiązanie sugerują streamowanie nie całego pulpitu, ale konkretnego okna z edytorem kodu.

Możliwości głosowe i multimodalne bez dodatkowych kroków

Do przetwarzania treści wizualnej OpenCluely wysyła zrzuty ekranu bezpośrednio do Gemini. Nie ma pośredniego rozpoznawania tekstu OCR. Model multimodalny otrzymuje obraz z kodem lub poleceniem i buduje odpowiedź bezpośrednio.

Autorzy zajęli się też mową. Jako silnik głosowy można wybrać Azure Speech lub lokalny Whisper.

Lokalny Whisper jest konfigurowany automatycznie przez skrypt przy pierwszym uruchomieniu. Wejście głosowe nie tnie strumienia audio na sztywny timer. Algorytm śledzi naturalne pauzy w mowie, składając długą frazę w jedno żądanie. Osobny filtr usuwa halucynacje Whispera, gdy próbuje on tworzyć nieistniejące słowa podczas całkowitej ciszy.

Skróty klawiszowe do sterowania

Aby nie przyciągać uwagi ruchami kursora, sterowanie jest oparte na klawiaturze:

• Cmd/Ctrl + Shift + S otwiera wybór obszaru zrzutu ekranu.
• Cmd/Ctrl + Shift + V natychmiast ukrywa lub pokazuje wszystkie okna asystenta.
• Cmd/Ctrl + Shift + I lub Alt + A włącza tryb click-through, aby mysz ignorowała okno podpowiedzi i klikała elementy pod nim.
• Alt + R uruchamia lub zatrzymuje nagrywanie z mikrofonu.

Instalacja i specyfika platform

Aplikacja wymaga klucza API Gemini do działania. Możesz go uzyskać za darmo w Google AI Studio i wprowadzić w ustawieniach aplikacji lub w pliku .env.

Wstępnie zbudowane instalatory są dostępne dla Windows (jako .exe) i Linuksa (pakiety .deb i .AppImage).

macOS to inna historia. W wydaniach nie ma gotowego pliku .dmg. Aplikacja nie jest podpisana certyfikatem Apple, więc wbudowany system bezpieczeństwa Gatekeeper blokuje normalne uruchomienie. Właściciele Maca będą musieli zbudować projekt ze źródeł.

Proces budowania jest prosty. Potrzebujesz Node.js i Git.

git clone https://github.com/TechyCSR/OpenCluely.git
cd OpenCluely
./setup.sh

Skrypt setup.sh zajmuje się całą rutyną: instaluje zależności NPM, konfiguruje wirtualne środowisko Python, pobiera model Whisper i generuje początkowy .env.

Czy warto używać

Korzystanie z takiego oprogramowania podczas prawdziwych rozmów kwalifikacyjnych to etycznie szara strefa. Jeśli prowadzący zacznie zadawać dodatkowe pytania o kod lub prosić o wyjaśnienie swoich decyzji, wygenerowana podpowiedź raczej nie pomoże.

Aplikacja dobrze nadaje się do ćwiczeń przed rozmową, rozwiązywania problemów LeetCode pod presją czasową i zmniejszania lęku przed sekcjami algorytmicznymi.

Wśród mocnych stron projektu są otwarty kod źródłowy, brak ukrytej telemetrii, możliwość przetwarzania głosu lokalnie oraz staranna integracja z API systemowymi.