dsh-computer-use

v0.2.0

Published

a day ago

Computer Use 插件：虚拟鼠标真人操作 + 原生视觉模型接入（deepseek-v4-flash-vision-exp 直读截图），screen_observe 等 12 个模型友好工具

0High
0Medium
0Low

jerryweizhihao

dsh computer-use cua-driver harness-desktop autopilot

dsh-computer-use

DeepSeek Harness 的 Computer Use 插件 —— 给 harness-desktop 增加"虚拟鼠标真人操作"能力： AI 生成独立光标，像人一样看屏幕、移动、点击、输入，替用户操作电脑。

跨平台（macOS / Windows / Linux），引擎基于 cua-driver（MIT 开源，MCP 标准接口）。

✨ 能力

| 工具 | 功能 | |------|------| | screen_observe | 看屏幕：AX 编号树 + 坐标；支持三模：native 原生直读（截图直接进模型上下文）/ vision 视觉观察者 / ax 零成本树 | | screen_zoom | 区域截图直读：裁剪窗口某区域为 ≤500px JPEG 直接给模型看图（细节放大、省 token） | | computer_click / computer_double_click / computer_right_click | 真人操作：独立光标滑行到目标 + 像素级真实点击（看得见过程） | | computer_type | 文本输入（密码框自动拒绝） | | computer_key | 按键 / 快捷键（return、cmd+c…；聊天窗口回车发送） | | computer_scroll | 滚动 | | computer_drag | 拖拽 | | computer_wait | 等待 | | app_list / app_launch | 列出 / 启动应用 |

核心设计：AX 树只用于"看"（定位元素），操作走像素级虚拟光标——光标滑行动画 + 真实点击，模拟真人操作。内置彩虹渐变动态光标主题（可自定义）。

👁 三种观察模式

screen_observe 的 mode 参数选择看屏幕的方式：

| mode | 原理 | 成本 | 适用 | |------|------|------|------| | ax（默认） | AX 界面树：编号 + 控件 + 坐标 | 零视觉 token | 绝大多数原生应用 | | native | 截图经 attachments 持久化后以图片块返回，当前对话模型直接看图 | 图片 token | 主模型是视觉模型（如 deepseek-v4-flash-vision-exp）；游戏/Canvas/Electron 等无 AX 树的界面 | | vision | DeepSeek 视觉观察者（ctx.llm 调默认 deepseek-v4-flash-vision-exp）结构化描述截图，输出元素列表 | 一次额外模型调用 | 主模型非视觉模型但想看图；或无外部 key |

原生接入：native 模式走 harness 的 attachments + 图片内容块链路（与 read_image 同一机制），零外部 API、零额外 key、无限流，理解质量 = 当前对话模型。
自动降级：AX 树为空（游戏/Canvas/Electron 不可解析）时，自动按 native → vision → ax 降级，无需手动切换。
vision 模式观察者不可用时自动回退 GLM 免费模型（需 ZHIPU_API_KEY，仅作最后兜底）。

🖱 坐标语义（v0.2.0 起，cua-driver 0.21+）

所有坐标一律为窗口本地截图像素（与 get_window_state 返回的截图同一空间，左上原点）。模型所见即所点：screen_observe 输出的 @(x,y)、视觉识别坐标、computer_click(x=,y=) 全部同一空间，不再做 ×2 或窗口偏移换算（旧版固定 2.0 系数的近似校准已移除）。

🛡 安全设计

虚拟光标隔离：操作走 cua-driver 的独立 Agent 光标，不抢真实鼠标
观察快照 TTL：快照约 15 秒过期，过期后动作被拒绝，必须重新观察（引擎侧 element_token 双重校验）
区域限制：可选 allowedApps 白名单，名单外的应用操作一律拒绝（fail closed）
危险操作审批：目标标签命中"删除/支付/转账/退出登录…"危险词时，经 dsh 审批服务征询用户，未批准不放行
敏感输入保护：密码框（AXSecureTextField）拒绝自动输入——密码/密钥永不让模型接触
无快照拒绝：任何动作必须先 screen_observe，杜绝盲操作

⚠️ 作用范围说明：危险词审批与密码框保护基于观察到的元素标签，仅对 element 编号模式生效；x/y 坐标模式与无目标输入（computer_type / computer_key 落到前台应用）无法预知目标内容，由快照 TTL 与"操作可见"兜底。computer_key 不校验快捷键本身（如 cmd+q 等系统快捷键），请勿授予不可信模型。这是设计取舍：安全优先级 = 元素语义 > 坐标盲操作，但坐标模式保留了真人可视操作的自由度。

📦 安装

前提：

harness-desktop（含 dsh rc 运行时）
cua-driver 已安装（官方安装见 trycua/cua）且权限已授权（macOS：Accessibility + Screen Recording；Windows：普通用户权限运行）
插件默认从 PATH 查找 cua-driver；若二进制不在 PATH，设 CUA_DRIVER_BIN=/path/to/cua-driver（Windows 常用）

# 一键安装（home 级用户 patch 层注入，不修改任何 profile 配置）
./install.sh            # 预演: ./install.sh --dry-run
# 卸载
./uninstall.sh
# 安装后重启 harness-desktop 生效

Windows / Linux：install.sh 的默认 DSH_HOME 是 macOS 路径。Windows（Git Bash / WSL）与 Linux 用户请先 export DSH_HOME=<你的 dsh home 目录> 再运行脚本；或手动两步（见下），两步与平台无关。

脚本做的事（也可手动）：

ln -sfn <插件目录> "$DSH_HOME/profiles/web/node_modules/dsh-computer-use"
在 $DSH_HOME/cordis.patch.yml（dsh 的机器级用户 patch 层）insert 插件注册

可选配置（$DSH_HOME/cordis.patch.yml 中覆盖）：

- id: dsh-computer-use
  config:
    ttlMs: 30000        # 快照有效期（毫秒，多步 UI 操作建议 30-60s）
    maxElements: 500    # screen_observe 最大编号元素数
    allowedApps: []     # 区域限制白名单（空 = 不限制）
    cursorTheme: com.dsh.computeruse.rainbow  # 虚拟光标主题（空 = 引擎默认）
    nativeImage: auto   # 原生直读截图策略：auto（PNG 超限额自动降级 ≤500px JPEG）/ full / compact
    visionProvider: deepseek-official  # Mode D 观察者 provider 路由
    visionModel: deepseek-v4-flash-vision-exp  # Mode D 观察者模型（需声明 image 输入）

📸 原生视觉模型接入（v0.2.0）

mode="native" / mode="vision" 无需任何外部 key —— 使用 DeepSeek 原生视觉模型：

把 deepseek-v4-flash-vision-exp 注册进 harness（v0.2.0 起已内置在 llm-deepseek 默认目录：input: [text, image]，Web 模型选择器直接可见可切换）。老版本 harness 可在 settings.yaml 的 llm-pi-ai: 下用 modelOverrides 声明：
```
llm-pi-ai:
  providers:
    deepseek:
      apiKeyEnv: DEEPSEEK_API_KEY
      models:
        - id: deepseek-v4-flash
        - id: deepseek-v4-flash-vision-exp
          input: [text, image]
```
Mode C 原生直读：screen_observe(mode="native") → 截图以图片块进入对话，当前对话模型直接看图（把对话模型切到视觉模型即可，无需配置）。
Mode D 观察者：screen_observe(mode="vision") → 插件经 ctx.llm 调 visionModel（默认 deepseek-v4-flash-vision-exp）结构化描述截图；观察者不可用时自动回退 GLM。

截图经 harness attachment-local 持久化（默认单图 5MB/40M 像素；超限自动用引擎 zoom 降级为 ≤500px JPEG）。screen_zoom 工具提供区域截图直读（细节放大、省 token）。

🎨 光标主题（可选）

内置彩虹渐变指针主题（com.dsh.computeruse.rainbow，128×128，12 个动作动画，颜色流动），产物 theme.lottie 已随仓库附带。

插件启动自动应用（配置 cursorTheme，空 = 引擎默认；未安装该主题时自动回退引擎默认光标，不影响功能）
安装主题：需经 cua-driver 的 cursor-theme 编译器安装 theme.lottie（编译器随引擎提供，命令见 trycua/cua 文档）
自定义：python3 tools/make_theme.py --output theme.lottie（改颜色/形状）→ 按上述方式安装

⚠️ 已知局限

Windows / Linux 待真机实测（引擎官方支持，指南见 WINDOWS_TEST.md）
原生直读的图片 token 成本：整窗截图（尤其 Retina）每次进上下文会消耗图片 token；需要高频轮询的场景建议 ax 模式 + query 过滤，或 screen_zoom 只看局部
AX 安全检测仅对 element 编号模式生效：坐标模式与无目标输入（computer_type / computer_key 落前台）由快照 TTL 与"操作可见"兜底（见上"安全设计"）
macOS 计算器等窗口显示屏不在 AX 树（用 mode="native" 直读即可）

🧪 开发与验证

项目采用"隔离 profile"开发（不动真实 GUI 配置）：

# 用隔离 DSH_HOME 起 headless 会话验证
DSH_HOME=$PWD/.dsh-p0 ELECTRON_RUN_AS_NODE=1 \
  /Applications/harness-desktop.app/Contents/MacOS/harness-desktop --expose-internals \
  /Applications/harness-desktop.app/Contents/Resources/app/node_modules/@deepseek-ai/dsh/lib/bin.js \
  --profile test "请调用 screen_observe 观察当前窗口并报告"

📄 License

MIT

🌐 相关链接

GitHub：https://github.com/988hj7tczd-oss/dsh-computer-use
Gitee 镜像（国内加速）：https://gitee.com/jerryweizhihao/dsh-computer-use
npm：https://www.npmjs.com/package/dsh-computer-use
AI House 独立站（AI 工具排行榜）：https://www.aibunkhouse.com/
harness-desktop（DeepSeek Harness 桌面端）：https://github.com/988hj7tczd-oss/harness-desktop
awesome-dsh-plugin（DeepSeek Harness 插件精选列表）：https://github.com/988hj7tczd-oss/awesome-dsh-plugin

Published

Vulnerabilities

Links

Maintainers

Keywords

Readme

dsh-computer-use

✨ 能力

👁 三种观察模式

🖱 坐标语义（v0.2.0 起，cua-driver 0.21+）

🛡 安全设计

📦 安装

📸 原生视觉模型接入（v0.2.0）

🎨 光标主题（可选）

⚠️ 已知局限

🧪 开发与验证

📄 License

🌐 相关链接