桌面操控 suntham-t/super-cu

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。

一个 Windows 电脑操作 bundle，面向 DeepSeek Harness。两个智能体工具 —— cu_show（观察）和 cu_do（动作）—— 基于 UI Automation 构建，具备稳定元素 id、Pattern 优先动作、批量步骤和视觉兜底。正常路径不依赖截图。

| | 实测（同机对比 windows-mcp 4.0.3） |
| 观察延迟 p50 / p95 | 231 / 255 ms vs 1059 / 1229 ms → 快 4.57× |
| 文本体积（Edge 15 标签页） | 3 308 字符 vs 31 261 → 小 9.45×（~1305 vs ~9472 tokens） |
| 元素级稳定 id | 跨快照 100% 复用（旧方案只有坐标） |
| 交互元素召回率 | 100%（93/93） |
| 冷启动到 tools/list | 745 ms vs 6 993 ms |
| 工具数 | 2 个 vs 20 个 |

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 DFS + 叶子剪枝 + 属性延迟读取：Edge 428 节点 walk 123 ms + 属性 65 ms。
3. 默认纯文本，不截图：截图要多一次抓屏+压缩（~90 ms）和上千 token。
4. 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 ——重窗口（436 节点、truncated）p50 265 → 135 ms（-49%），输出逐字节相同、召回 100%。
5. 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。

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，~50–300 ms）

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：

| 类别 | op |
| 鼠标 | click dblclick rightclick hover drag（可 hold_ms，to 支持 #id 拖到元素上）scroll scroll_to |
| 键盘 | key type paste hold（按住 N ms） |
| 鼠标按住 | hold_mouse（left/right/middle，按住期间 100 ms 心跳） |
| UIA | invoke toggle select expand collapse focus set |
| 窗口 | activate launch close minimize maximize window_move（x,y[,w,h]） |
| 系统 | clipboard（mode: get｜set） |
| 控制 | wait（wait_kind: text/element/window/idle/change/gone） assert |

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）。

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） 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/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：tests/test_bridge.py 29 项（含剪贴板、拖拽、UWP 重定位、修饰键、hold）+ tests/test_server.py 141 项 mock 协议测试。

| notepad | ppt |
| minecraft | paint |

已知限制

- 没有 UIA 的界面（canvas / 游戏 / 部分自绘 UI）：只能用 screenshot=true + @n 坐标，慢，而且依赖视觉。
- Chromium 的 view=text 取不到正文（TextPattern 为空）→ 改用 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，或者用非 UI 手段。
- UIPI：管理员权限窗口可能拒绝输入/读取。
- 标题栏拖动的水平位移：cu_do 路径目前会丢 x（bridge 直连正常，server 侧待修；复现与数据见 ench/regress-report.md）。内容拖动、drag.to=#id 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 是 DeepSeek Harness 的插件包，给智能体两个工具——cu_show（对单个窗口做紧凑、省 token 的无障碍快照，带稳定的元素 id）和 cu_do（批量执行动作，支持等待和断言）。与基于截图的 computer use 相比，它快 4.6 倍，返回文本少 9.5 倍，并且跨快照复用元素 id（100%）。准确性来自 UI-Automation 模式、拒绝有歧义的目标、统一 DPI 空间、归一化回退坐标，以及失败时大声报错。支持 Windows 10/11 与 Python 3.11+；用 setup.ps1 安装，然后在 DSH 的插件管理器里添加该文件夹。