computer-use-win — 给 DeepSeek Harness 装上 Windows 电脑操控能力

English: A Windows computer-use plugin for DeepSeek Harness (dsh): an MCP stdio server backed by a PowerShell UI Automation engine. It gives the agent 22 desktop tools — accessibility tree, window-cropped screenshots, mouse/keyboard input (foreground + verified background paths), OCR with word boxes, window management, coordinate homing, an identity guard, and a physical-cursor failsafe. Bridges into DSH through the in-box @deepseek-ai/dsh-mcp-client; no DSH modifications.

中文: 一个 MCP（Model Context Protocol）stdio 服务器 + PowerShell UIA 后端，让 DSH agent 能 "看"（UIA 无障碍树 + 截图）和"做"（鼠标 / 键盘 / 语义点击）Windows 桌面应用。 通过 DSH 内置的 @deepseek-ai/dsh-mcp-client 桥接进 DSH，无需改 DSH 本体。

截图

DSH agent (本 GUI)
   │  模型看到 mcp__wincu__windows_computer_use_* 工具
   ▼
@deepseek-ai/dsh-mcp-client   ← DSH 内置插件（官方 @modelcontextprotocol/sdk 的 StdioClientTransport）
   │  JSON-RPC 2.0 over stdio（按行分帧的 JSON）
   ▼
mcp/server.mjs                ← 本项目：MCP 服务器（Node ≥18，零依赖）
   │  spawn powershell.exe -NoProfile -File windows-uia.ps1 -Action <动作>
   │  参数走 stdin（JSON），结果走 stdout（JSON）
   ▼
scripts/windows-uia.ps1       ← 本项目：Windows 桌面引擎（PowerShell 5.1 兼容）
   ├─ UI Automation（UIAutomationClient/UIAutomationTypes 程序集）→ 无障碍树
   ├─ user32 P/Invoke（SetCursorPos / mouse_event）→ 鼠标
   ├─ WinForms SendKeys + 剪贴板粘贴 → 键盘与 Unicode 文本
   └─ System.Drawing.CopyFromScreen → 全屏截图（PNG）

Related MCP server: OmniFlow

原理（为什么这样做）

1. 为什么走 MCP 桥接，而不是原生 DSH 插件

• DSH 一切皆插件，但"注册新工具"需要写 Cordis 插件（注册进 ctx.tools、 处理审批与权限钩子、打包成 dsh.bundle）。MCP 是更薄的边界： 官方 dsh-mcp-client 会把任意 MCP server 的工具原样注册成 mcp__<serverName>__<工具名>（serverName 我们在 patch 里取 wincu）。

• 好处：后端独立进程、独立语言、可单独测试（--self-test），坏了不影响 DSH 启动 （failOnStartupError: false）。

• 代价：MCP 工具没有 DSH 原生的审批/风险分级钩子，所以安全机制做在 server 内部 （scope 限定、窗口定位、动作前观察）。

2. 感知：UIA 无障碍树（text-first）

Windows 上比"截图像素"更可靠的是 UI Automation 树：每个控件带 controlType（Button/Edit/Window…）、name、automationId、boundingBox、 value、patterns（支持哪些语义操作）。agent 可以按语义找控件而不是猜坐标：

• 三种视图：control（默认，应用控件级，最常用）/ content（最终用户内容）/ raw（含内部节点）

• 元素 id 是树路径：uia:active.0.2.1（当前活动窗口下的第 0→2→1 个子控件）。 注意路径会随 UI 刷新变化（stale），动作前最好重新 snapshot。

• find 工具在树里按 name/automationId/class/值 做大小写不敏感子串搜索， 返回完整节点信息，适合"找到保存按钮"这类任务。

• 截图（snapshot）同时给出 PNG 文件路径——因为 DSH 的 dsh-mcp-client 会丢弃 MCP 的 image 内容块（只留占位符），所以视觉信息要么让模型用 read_image 读该 PNG，要么依赖 UIA 文本（推荐，纯文本模型也能干活）。

3. 动作：三条路径

invoke/set_value 带 fallback：pattern 不存在时退回"点中心"或"聚焦+全选+粘贴"。 keypress 支持 ["ctrl","shift","s"] 这类键组合（Win 键不支持，SendKeys 限制）。

4. 窗口定位

所有工具都接受可选 windowTitle（子串）/ processId / nativeWindowHandle 指定目标顶层窗口，activate: true 可先置前台。不指定 = 当前前台窗口 （scope: active_window；scope: desktop = 整个桌面树）。

5. 三个真实踩过的坑（安全加固）

computer use 在 Windows 上最阴险的失败都是静默的——返回 ok 但实际打错了地方。 本项目内置了三层防御，全部经过本机实测验证：

1. 前台锁（foreground lock）：后台进程调 SetForegroundWindow 会被 Windows 前台锁静默拒绝——函数不报错，但窗口根本没切过去，后续按键就全打进了 用户当前的前台窗口（可能是微信、浏览器）。 修复：AttachThreadInput 把前台窗口输入线程挂到自己线程 + 模拟按下/抬起 Alt 键解锁（AutoHotkey 经典技巧）+ ShowWindow/SetForegroundWindow。 切完校验前台是否真的变成目标窗口，结果以 activated: true/false 返回。

2. fail-closed 输入守卫：type_text/keypress 一旦指定了目标窗口， 发送前校验"前台 == 目标"，不匹配直接抛错，绝不把按键打进别的窗口； activate:true 激活失败同样抛错。

3. 激活 ≠ 聚焦：窗口置前台后，内部编辑框往往没有键盘焦点 （焦点可能停在菜单栏/标题栏），Ctrl+V 会被无声吞掉。 修复：type_text 在目标窗口内用 UIA 找最大的启用状态 Edit/Document 控件并 SetFocus()，结果里回报 focusedControl（如 Document）。 实测：新记事本的编辑区是 RichEditD2DPT 的 Document 节点。

工具清单（22 个，前缀 mcp__wincu__）

本轮新增的鲁棒性/兼容性能力

• 坐标 homing（借鉴 desktop-touch-mcp）：观察窗口时缓存其位置，动作时若窗口被 移动过就自动补偿 dx,dy，结果里回报 homed: {dx,dy}。实测窗口移动 (+120,+80) 后旧坐标点击被正确补偿。

• 急停 failsafe（借鉴 desktop-touch-mcp）：物理鼠标停在虚拟屏左上角 （默认半径 12px）超过 500ms → 所有输入动作被拒（EMERGENCY STOP）， 移开即恢复。可用 WCU_FAILSAFE_CORNER="x,y" / WCU_FAILSAFE_RADIUS / WCU_FAILSAFE_HOLD_MS 配置，WCU_FAILSAFE=0 关闭。

• OCR 回退（借鉴 PeekabooWin / iris-mcp）：游戏/自绘 Tk/Qt/RDP 等 UIA 盲区 应用，find 返回稀疏树时会提示改用 ocr 工具；OCR 用编译进缓存 DLL 的 C# WinRT 助手（Windows.Media.Ocr）实现，词框坐标自动换算回屏幕坐标。 实测中文界面识别正常。

• PostMessage 后台 dispatch（借鉴 cua / desktop-touch-mcp）： dispatch:'background' 把鼠标消息直接 PostMessage 进目标窗口消息队列 （不碰系统输入队列、不抢前台）；type_text method:'background' 走 WM_CHAR。 投递是未验证的（Chromium/Electron/WinUI 可能丢弃合成消息，如新记事本 会丢 WM_CHAR）——结果里显式 verified:false + 提示，被拒时报 background_unavailable 让你显式切 foreground（cua 的诚实报错模式）。 实测后台 PostMessage 点击真实打开了记事本菜单（UIA 可见）。

• 坐标映射修正：移动改用 SetCursorPos（原始屏幕坐标），弃用 SendInput ABSOLUTE 归一化——本机多显示器下 ABSOLUTE 会把 X 恰好减半，已修复并校准到 1.000 落点。

• DPI 感知顺序：Per-Monitor V2 必须在 GDI+/WinForms 程序集加载前设置， 否则进程锁死在虚拟化坐标空间（3414x960 vs 物理 5120x1440）。

• 其他：move_window / close_window / wait_for 动作、截图 GC（30 分钟 自动清理）、type_text 输入后回读 verifyValue 作为证据。

• WGC 窗口捕获（Windows.Graphics.Capture）：PrintWindow 对 UWP/WinUI/ DirectComposition 表面会渲染成纯黑；捕获链检测到纯黑后改用 WGC 从 DWM 合成 帧读取窗口内容（含被遮挡窗口）。WGC 助手用 csc 编译成缓存 DLL（C# WinRT）， 需要 .NET Core 参考程序集——缺失时优雅降级到屏幕区域裁剪（不会卡住/报错）。

• runtimeId 元素 id：元素 id 用 UIA RuntimeId（进程内稳定）替代树路径， 窗口重排/刷新后旧 id 仍能解析；过期 id 报 stale 而非点错地方。

• identity guard：动作前校验目标窗口 HWND/PID 是否变化，窗口被替换时报 identity_changed 拒绝动作，避免误操作到同名新窗口。

• sendinput 输入路径：type_text method:'sendinput' 用 KEYEVENTF_UNICODE 逐字符 SendInput，不碰剪贴板（适合 ASCII/短文本；CJK 仍建议 clipboard）。

已接入 DSH（web profile）

C:\Users\Administrator\.dsh\profiles\web\cordis.patch.yml 已加入：

- insert:
    - id: mcp-windows-computer-use
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: wincu
        transport: stdio
        command: node
        args: ['E:\PythonFiles\computer-use-win\mcp\server.mjs']
        toolCallTimeoutMs: 90000
        failOnStartupError: false

需要重启 dsh web 才会加载。 之后新会话里直接让 agent "帮我打开记事本写点东西"即可，工具以 mcp__wincu__windows_computer_use_* 出现。

打包与分发（dsh.bundle）

本包是一个标准的 DSH bundle（package.json 里声明 "dsh": { "bundle": { "patch": "./cordis.patch.yml" } }）。cordis.patch.yml 通过 in-box 的 @deepseek-ai/dsh-mcp-client 挂载 MCP server，command 与 args[0] 都用 !!js 相对本 patch 文件自身目录（baseUrl）解析，所以在任何 profile、任何 $DSH_HOME 下都能装，无需硬编码路径：

command: !!js process.execPath          # 正在跑 DSH 的 node 可执行文件（绝对路径）
args:
  - !!js "process.getBuiltinModule('node:url').fileURLToPath(new URL('mcp/server.mjs', baseUrl))"

安装（任选其一，装完重启 dsh web）：

# 从 GitHub（上架后的标准装法，--profile 指定装进哪个 profile）
dsh plugin --profile web add github:Yu-tao-Li/computer-use-win
# 本地目录 / 相对路径（开发期）
dsh plugin add file:E:\PythonFiles\computer-use-win
# 发布到 npm 后
dsh plugin add computer-use-win

也可在 DSH 设置里的**插件市场（dshmarket）**搜索 computer-use-win 一键安装 （上架后）。

dsh plugin add 会把包装进当前 profile 的 node_modules 并加入 package.json 的 dsh.profile.bundles 列表，下次启动自动加载。 注意：bundle 行的 id 是 mcp-computer-use-win，与上面 dev 用的 mcp-windows-computer-use 不同，但 serverName 都是 wincu——同一时刻只留 一个（否则第二个因 serverName 命名空间被占用而启动失败）。

测试

# 1) 后端自检（UIA + 截图）
node E:\PythonFiles\computer-use-win\mcp\server.mjs --self-test

# 2) MCP 协议测试（initialize → tools/list → tools/call）
node E:\PythonFiles\computer-use-win\test\mcp-test.mjs

# 3) 直接跑后端某个动作（参数 = 一行 JSON 从 stdin 传入）
node E:\PythonFiles\computer-use-win\mcp\server.mjs --backend list_windows '{"maxWindows":5}'
node E:\PythonFiles\computer-use-win\mcp\server.mjs --backend tree '{"maxDepth":2}'

# 4) 端到端输入测试：开记事本→激活→输入→读回→关闭（会真的开一个记事本）
node E:\PythonFiles\computer-use-win\test\notepad-e2e.mjs

# 5) 延迟基准：persistent 后端（cold 首次含启动 / hot 稳态）
node E:\PythonFiles\computer-use-win\test\bench-persistent.mjs
# 6) 窗口裁剪截图验证（PrintWindow 路径）
node E:\PythonFiles\computer-use-win\test\test-capture.mjs
# 7) 鲁棒性特性综合测试（后台 WM_CHAR/PostMessage 点击、homing、failsafe、OCR、
#    wait_for、close_window；会真的开一个记事本并移动它）
node E:\PythonFiles\computer-use-win\test\test-features.mjs

已验证（2026-07，本机 Windows 11）：

• --self-test ✅（persistent 模式、UIA 树、截图）

• MCP 协议三件套 ✅（22 工具，list_windows 返回真实窗口）

• 端到端输入 ✅：记事本激活 activated:true、聚焦 focusedControl:Document、 文本写入并 find 读回命中

• 窗口裁剪截图 ✅：captureWindow:true 走 method:printwindow，记事本窗口 1962×1265 → 降采样后 91KB（全屏原生 3.8MB），带 imageScale/origin 坐标映射

• 坐标校准 ✅：move 到 (200,200)/(1000,500)/(3000,800) 实际落点 ratio=1.000

• 后台 dispatch ✅：PostMessage 点击真实打开记事本菜单（UIA 验证）

• homing ✅：窗口移动 (+120,+80) 后旧坐标点击补偿 homed:{dx:120,dy:80}

• failsafe ✅：鼠标贴角 250ms 后输入被拒（EMERGENCY STOP），移开恢复

• OCR ✅：中文界面识别 + 屏幕坐标词框（Windows.Media.Ocr，C# WinRT 助手）

• wait_for/close_window ✅（close 对 WinUI 应用可能被忽略，见限制）

社区项目对比与优化记录（2026-07）

调研了 GitHub 上的通用 Windows computer-use 项目（不只服务 DSH）：

速度优化效果（本机实测，persistent 后端）：

手段：

1. persistent 后端：MCP server 保活一个 powershell -Persistent 进程， JSON 行协议；超时/崩溃 → kill + 下次调用懒重建（隔离性不丢）。 首个调用 cold 500ms（进程+程序集+首次编译），之后稳定 6100ms。

2. C# P/Invoke 预编译 DLL 缓存：按源码 hash 命名存 %TEMP%， 重启进程免现场编译（~300-500ms/次 → 0）。

3. 鼠标路径修正：移动用 SetCursorPos（原始屏幕坐标），按钮/滚轮用 SendInput 状态事件——本机多显示器下 SendInput ABSOLUTE 归一化会把 X 减半， 已弃用并校准（落点 ratio 1.000）。

4. 截图减重：captureWindow（PrintWindow 窗口裁剪，非前台窗口也能抓）+ maxWidth 降采样（默认 1600px）+ imageScale/origin 供模型换算坐标 + 30 分钟自动 GC。全屏 3.8MB → 窗口裁剪 91KB。

安全与限制

• 动作是真实的：click/type 会真的操作前台程序。敏感操作前让 agent 先 snapshot 观察，重要窗口（终端、密码框）用 windowTitle 明确限定。

• Win 键组合被黑名单拦截（Win+R/X/L/S 会打开系统对话框），keypress 传 win 会直接报错——这是设计，不是 bug。

• WinUI/Chromium/Electron 会丢弃 PostMessage 合成消息：dispatch:'background' 对这类应用可能无效（实测新记事本会丢 WM_CHAR——消息入队成功但应用静默丢弃， 读回验证无落盘，结果里 verified:false 会提示）；close_window 对 WinUI 记事本 实测是直接干净关闭、不弹"是否保存"对话框（经典 Win32 应用才会弹）。 这类目标用 foreground/clipboard 路径。

• 提权窗口（UAC / 管理员程序）的 UIA 与合成输入会被 Windows 拦截，读不到也点不了。

• 元素路径 id 会 stale：UI 重排后 click 可能点错，先重新 snapshot/find。

• 高 DPI 多显示器下坐标以物理像素为准（后端显式 Per-Monitor V2 DPI）。

• OCR 对 CJK 文本按字符给词框（引擎特性），不是按词；坐标足够点选。

• 本项目是 cgissing/windows-computer-use （MIT）的衍生作品：引擎核心与 MCP server 骨架来自上游，docs/wiki/ 为其文档原样收录； 本项目新增了 DSH 集成、WGC/OCR、homing/failsafe/identity guard、测试套件等（详见 THIRD_PARTY.md，双方版权声明见 LICENSE）。

可扩展方向（来自调研，按价值排序）

1. WGC 截图后端：Windows.Graphics.Capture 替代 PrintWindow——被遮挡窗口、 最小化窗口、DirectComposition 表面都能抓（cua 的截图链第二级）

2. 元素 id 改用 UIA runtimeId（进程存活期内稳定，抗 UI 重排）

3. 窗口身份 guard：动作前校验进程 PID/HWND 是否被重启替换 （desktop-touch 的 identity_changed）

4. type_text 增加 sendinput 模式（KEYEVENTF_UNICODE 逐字符，不碰剪贴板， 适合密码框）

5. OCR → 控件升级：OCR 找到文字后 ControlFromPoint 升级成控件级点击 （iris-mcp 的 resolver 路由）

6. 打包成 dsh.bundle 用 dsh plugin add 一键安装（当前是本地路径 + patch 挂载）