dsh-super-cu

Windows 电脑操作插件（DeepSeek Harness / DSH bundle） — 让智能体看得懂界面、点得准、还快。 用 UI Automation 语义文本取代截图循环：默认不截图、不猜坐标、一次调用批量做完多步。

A Windows computer-use bundle for DeepSeek Harness. Two agent tools — cu_show (observe) and cu_do (act) — built on UI Automation with stable element ids, pattern-first actions, batched steps and a visual fallback. No dependency on screenshots for the normal path.

为什么快

1. 窗口列表走 win32 EnumWindows（~5 ms），UIA 只进目标窗口（旧方案每次枚举整桌面 UIA ≈420 ms/次）。

2. 单窗口一次 BuildUpdatedCache 取回整棵 raw 子树与属性（1.2.0）：属性读取在本进程完成， 大窗口快 8.6×、Notepad 1.7×；任何异常自动回退逐节点 walk，SUPER_CU_NO_CACHE=1 可强制回退。

3. 握手后才懒加载/预热重模块（1.2.0）：initialize/tools/list 不导入 uiautomation/Pillow， 冷启动 256 ms；预热用原始线程，不阻塞协议循环。

4. 默认纯文本，不截图：截图要多一次抓屏+压缩（~90 ms）和上千 token。

5. 有界 DFS 早停：controls 视图最终只展示前 max_nodes 个交互元素，收集满即停；输出逐字节相同、召回 100%。

6. 批量动作：一次 cu_do 完成多步（含等待与断言），把 N 个来回压成 1 个。

Related MCP server: Netwright

为什么准

1. 稳定元素 id：UIA RuntimeId → 进程内自增 int，同一元素跨快照 id 不变（实测复用率 100%）； 失效时按 (类型, 名字) → AutomationId → 祖先路径 语义重定位后继续执行原动作。

2. Pattern 优先：invoke / setvalue / select / toggle / expand / focus 走 UIA Pattern （后台生效、不抢焦点、不动鼠标），不可用才回退真实点击。

3. 歧义即拒绝：ct:名字 命中多个候选时报 AmbiguousError 并列出候选，绝不猜。

4. DPI 三空间合一：启动即 SetProcessDpiAwarenessContext(PER_MONITOR_AWARE_V2)， 使 UIA rect / 抓屏 / 点击落在同一物理像素空间（150% 缩放下旧做法会偏 1.5 倍）。

5. 归一化坐标：视觉兜底用 @n:0.42,0.31（0–1，相对最近截图），换算在服务端完成，模型不做算术。

6. 动作后可断言：expect / wait 在同一次调用里确认结果，而不是"做完就走"。

7. 诚实失败：disabled 控件、pattern_unavailable、剪贴板被占用、未知按键 —— 都返回 ok:false + 可操作建议，不静默成功。

工具

cu_show — 观察（默认纯文本，~25–130 ms；1.2.0 缓存快路径）

win #39719780 "无标题 - 画图" 2030x1271 @264,159 [focus]
obs 226n/145 shown 239ms controls cut=budget(+61 hidden)
[6] document "开发高效精准的ComputerUse插件"
 [7] button "新建会话" [i]
 [15] edit "搜索会话名称" ~
 [57] tabitem "对话"

元素行 = [稳定 id] 类型 "名字" + 能力字母（e expand > t toggle > s selection > v value > i invoke > c focusable）+ 状态字符（* focus / + selected / - disabled / ~ offscreen）。 cut=tree 表示节点树被截断，cut=budget(+N hidden) 表示字符预算裁剪 —— 两者可同时出现。

主要参数：window（标题/进程名/#hwnd）、view（controls/text/all）、filter、max_nodes、 screenshot、region、max_image_width。

cu_do — 动作（一次调用多步）

{"steps": [
  {"op": "set",  "target": "#8713", "text": "关键词", "expect": "关键词"},
  {"op": "key",  "keys": "enter"},
  {"op": "wait", "text": "搜索结果", "timeout_ms": 3000}
]}

• 目标写法：#id（推荐） / ct:名字 / @n:ux,uy（视觉） / @img:x,y / @x,y（物理屏幕）

• 失败即停并给一行 → 建议；未执行的步骤跳过

• 目标窗口不在前台会自动 activate（含最小化还原、托盘隐藏窗口 SW_SHOW）

op 一览：

1.1 新增（全部 opt-in，默认行为不变）

• cu_show {"marks": true} — Set-of-Mark 截图：给每个可交互元素画编号方框（编号就是 #id）， 模型"看得到"也能"点得准"。不加这个参数时返回体与 1.0 逐字节一致。

• clipboard — 读/写剪贴板（写入后回读校验，用完恢复用户原剪贴板）。

• window_move — 把窗口挪开/改大小（被别的窗口挡住时特别有用），越界自动 clamp。

• scroll_to — 把元素滚进视口（ScrollItemPattern 优先 → 父容器有界滚动 → 明确失败）。

• drag.to 支持 #id / ct:名字 — 拖到目标元素中心（拖文件进聊天、拖卡片到目标）。

• scope=desktop 同进程提示 — 同一进程的多个窗口标 [同进程 xN]（Office 的 SDI 多窗口由此暴露）。

• 依据见 docs/RESEARCH.md：对比 Windows-MCP / OmniParser / computer-use 规范后， 采纳了 5 条"不引入视觉模型、不扩权限面"的交互原语，并明确拒绝了 5 条（会拖慢或越权的）。

1.2 新增（性能轮，默认行为不变）

• UIA 缓存请求快路径：一次 BuildUpdatedCache 取回整棵子树，大 Chromium 窗口快 8.6×、 Explorer -39.5%、Notepad -44.5%；任何异常自动回退逐节点 walk（SUPER_CU_NO_CACHE=1 强制回退）。

• 冷启动 3.4×：745 → ~256 ms（spawn→initialize，-70.8%）；握手后原始线程预热模块， tools/list→首次 cu_show 从 480 ms 降到 12 ms（客户端有空闲时）。

• 长会话内存有界：元素 id 表 20000、窗口缓存 32，LRU 淘汰、id 不复用； 8 万个不同 id 的合成压测 RSS +12.4 MB（旧版 +45 MB）。

• cu_do settle：只有 set/focus 的同步 UIA 中间步骤可在探针确认后提前结束等待； 真实 5 步 Notepad 批处理 1230 → 1036 ms（-15.8%）。

• 修复：预热线程抢走 CoInitializeEx 导致首次真实 cu_show 报「尚未调用 CoInitialize」的竞态 （单元 + 真实进程回归测试）。文本格式、工具 schema、快照契约均未变。

• 细节/证据/复现：docs/OPTIMIZATION.md、docs/OPT-AFTER.md、docs/OPT-VERIFY.md； 环境开关 SUPER_CU_NO_CACHE / SUPER_CU_NO_PREFETCH / SUPER_CU_SETTLE_MIN_MS。

1.5 新增：跨窗口拖拽 / 滚动到元素

• scroll_until_visible：真实滚轮把元素滚进视口，不依赖 UIA ScrollPattern（微信/Electron 自绘列表可用）。

• drag.to_window + to:"#id"：跨窗口拖放，在目标窗口里解析元素落点；auto_scroll 拖前先把源滚进视口。

• drag 不再静默成功：起点在窗口外、落点不在目标窗口、drop 被别的窗口接走都会报错； 成功时 detail 带 drop_window=#hwnd pid=.. class=..。

• cu_show 的 ~ 按几何判定（rect 不在窗口内即 offscreen）。

• 内联状态按需重试，不再给每次 observe=state 固定加 150ms。

1.4 新增：OpenAI CUA 动作面对齐

OpenAI 2026 版 computer-use driver 的 9 个动作（screenshot / click / double_click / drag / keypress / move / scroll / type / wait）现在都能通过 cu_do 表达，且保留语义层优势：

• click 新增 button：left/right/middle(滚轮键)/back/forward（含 XBUTTON1/2）

• scroll 新增 axis：x（横向滚轮/横向 ScrollPattern）/ y

• drag 新增 path：任意路径点数组（CUA drag.path），给 path 时 to 可省略

• 指针动作新增 modifiers：ctrl/shift/alt/win 按住执行（CUA keys 等价物）

• 全部可选、默认行为不变；逐动作映射与真机验证见 docs/CUA-PARITY.md

1.3 新增：最小化窗口的后台操作

• 最小化窗口可以直接执行 pattern 动作且不还原窗口：invoke / set / toggle / select / expand / collapse 在最小化窗口上自动走后台模式，步骤行带 bg；也可显式 background:true（步骤或整批），单步 background:false 覆盖回前台。

• 输入合成动作仍必须还原窗口：click / key / paste / drag / scroll / type 给 background:true 会 0ms 报错并提示改写，而不是静默抢焦点/还原窗口。

• cu_show 窗口行新增 min / max 标记；最小化窗口的 rect 是图标位置，不能拿来算坐标。

• 应用差异：微信最小化后 UIA 树完整、可后台 invoke/set（会标 focus_stolen，因为微信自己会抢前台）； Win11 记事本最小化后内容树不暴露，需要先 activate。详见 docs/MINIMIZED.md。

安装

要求：Windows 10/11、Python 3.11+、DSH >= 0.2。

git clone https://github.com/suntham-t/super-cu.git
cd super-cu
./setup.ps1          # 自动探测 python、安装 Pillow + uiautomation、把绝对路径写进 cordis.patch.yml

然后在 DSH 里：插件 / Plugins → 安装本地插件（install from folder）→ 选这个目录。 重新开一个会话，工具 mcp__supercu__cu_show / mcp__supercu__cu_do 就出现了。

本插件以 DSH bundle 形式分发：package.json 声明 dsh.bundle.patch，cordis.patch.yml 通过官方 @deepseek-ai/dsh-mcp-client 行拉起一个常驻 Python MCP server（stdio）。 目录结构可直接被 plugin_manager(install_bundle) 或插件面板安装。

插件市场 / Plugin market

本仓库按 awesome-dsh-plugin 的收录要求准备： package.json 声明 dsh.bundle、根目录有 cordis.patch.yml、仓库带 dsh-plugin topic。 市场条目位于 .market/suntham-t__super-cu.yml， 用 ./submit-to-market.ps1 一键投稿（fork → 上传条目 → 开 PR，无需克隆 200MB 索引仓库）。

文件

package.json           DSH bundle 清单（dsh.bundle.patch）
cordis.patch.yml       MCP client 行（setup.ps1 写入本机路径）
setup.ps1              一次性安装：python 检测 + 依赖 + 路径替换
src/server.py          MCP stdio JSON-RPC、两个工具、坐标/断言/状态
src/bridge.py          UIA 快照 / 稳定 id / 解析 / 动作 / 截图 / wait
src/windows.py         win32 窗口枚举、激活升级链、剪贴板、DPI
src/compact.py         紧凑格式化（去噪 / 折叠 / 预算 / cut 标记）
src/dpi.py             DPI 三空间合一
src/gui_lock.py        多智能体共享桌面的互斥锁
src/mock_bridge.py     离线 mock（协议层测试用）
tests/                 单测 + 真机集成测试（GUI 部分）
bench/opt/             可复现基准（baseline / after / 成对 A/B / fixtures）
bench/verify/          独立验收（parity / golden / 协议 / 性能门禁）
SKILL.md               给智能体的操作手册
docs/CONTRACT.md       完整接口契约（实现细节）
docs/OPT-*.md          1.2.0 优化报告 / 基线 / 对照 / 验收
docs/images/           真实任务截图

真实验证（不只是单测）

• 基准：26 个应用/交互场景矩阵（16 PASS / 1 FAIL→已修 / 9 SKIP）、7 组压力与鲁棒性 （20 步压力 RSS +0.05 MB / 句柄 +0；并发锁 ratio 0.66；@n 误差 worst 0.71 px；50 次 id 解析 0 失败）、 输出质量审计（影子 text 残留 0）。

• 端到端：记事本输入并保存到磁盘（内容逐字比对）、计算器 7×8=56、PowerPoint 6 页 PPT 并发送到微信 （无 API 客户端）、微信发消息、画图里画笑脸、Blender 建一棵树、在真实 Minecraft 里用 /fill 盖了一栋 7×7 带门/窗/屋顶的房子。

• 回归（1.2.0）：tests/test_bridge.py 真实 55 项（缓存 parity/回退/marks/内存上限/动作）+ --unit-only 24 项；tests/test_server.py 197 项 mock 协议测试；独立验收见 docs/OPT-VERIFY.md。

• 性能（1.2.0）：成对交织 A/B 前后对比（冷启动/快照/渲染/截图/端到端/内存）见 docs/OPT-AFTER.md； 基准可复现：python bench/opt/bench.py --help。

已知限制

• 无 UIA 的界面（canvas / 游戏 / 部分自绘 UI）：只能用 screenshot=true + @n 坐标，慢且依赖视觉。

• Chromium 的 view=text 取不到正文（TextPattern 为空）→ 用 controls（TextControl 的 name 就是文本）。

• 控制台窗口（conhost）UIA 只有十几个节点、读不到输出文本 → 退路：截图或用非 UI 手段。

• UIPI：管理员权限窗口可能拒绝输入/读取。

• 视图切换后的内联状态可能滞后 ~250ms（应用重绘需要时间）：1.3.1 在改动步骤后先等 150-250ms 再截状态； 微信等更慢的应用若状态看起来没变，直接再 cu_show 一次确认，别重复搜索/点击。

• 标题栏拖动：目标窗口内部有模态对话框/弹窗时（例如记事本恢复旧标签弹出的「找不到文件」）， 标题栏拖动不会移动窗口（直连 bridge 也一样，属于窗口状态而非插件缺陷）；先处理弹窗再拖。 正常窗口的标题栏拖动、内容拖动、drag.to=#id 均不受影响。

• 指针锁定 + raw input 的游戏（如 Minecraft）：SetCursorPos 无法转视角；要用游戏内命令或键位。

• Office 现代「保存此文件」对话框不接受全路径 → 先「更多选项…」→「浏览」进经典对话框。

• 一次 cu_do 建议 ≤10 步（批量期间持有 GUI 锁，其它智能体会等待）。

License

MIT © 2026 suntham-t

English TL;DR

dsh-super-cu is a DeepSeek Harness bundle that gives an agent two tools — cu_show (a compact, token-cheap accessibility snapshot of one window with stable element ids) and cu_do (a batched action runner with waits/assertions). Compared with screenshot-based computer use it is 8-38× faster on snapshots (28 ms for a large Chromium window) and returns 9.5× less text; cold start is ~256 ms. Element ids are reused across snapshots (100%). Accuracy comes from UI-Automation patterns, refusing ambiguous targets, DPI-space unification, normalized fallback coordinates and loud failures. Works on Windows 10/11 with Python 3.11+; install with setup.ps1 then add the folder in DSH's plugin manager.