视觉截图电脑操作 xie129716/computer-user-vision

computer-user-vision（computer-user-vision 分支）

这是非官方分支。 原始插件由 jing-hy 开发（MIT）。
本分支修复了两件事：

1. 上游 0.3.6 在 DSH ≥ 0.1.2 上根本无法加载（具名导入 settingsNamespace 已不存在，整个模块加载即失败，且没有任何报错：工具、设置卡、/computer 命令全部静默消失）。
2. 截图不再只回传文件路径：模型声明图像输入能力时，截图作为真正的图片块直接返回，并附带权威的「图片像素 → 屏幕像素」换算倍率 screen_per_pixel，无需 picturereader。

英文说明（含安装、tools/ 自愈脚本、verify/ 回归套件、隐私边界）见 README.md，技术细节见 docs/adaptation-notes.md。

computer-user-vision

给 DeepSeek Harness（DSH，含 EAC 桌面客户端）的 Codex 式电脑操作插件：读屏幕并操作鼠标键盘 —— 截图 → 看图 → click/type/keypress/scroll/drag → 验证。仅支持 Windows。

- computer_screenshot 把整个虚拟屏（多显示器、DPI 感知）截成 PNG。模型具备视觉能力时（如 DeepSeek-V41-Flash / deepseek-flash）截图会作为图片直接附加在工具结果里，模型直接看图即可；只有纯文本模型才退回「返回路径 + 外部图像工具」的方式。
- 另外 8 个 computer_ 工具，通过内置 PowerShell + Win32 SendInput 操作鼠标键盘（零原生模块、无需编译，可在 DSH/EAC 宿主进程内运行）。
- 设置卡（「电脑操作」）顶部是模式下拉框 —— 禁用 / 只读 / 手动批准（/computer）/ 自动，其余收进默认折叠的 高级设置。
- 截图与输入全程本地：截图（PowerShell）、操作（Win32 SendInput）都不出本机。
视觉模式下图片会随对话请求发给模型服务（使用视觉能力的必然代价）；纯文本模型走 picturereader 本地 OCR 时才真正全程不出本机。操作流程见 skills/computer-use.md（先定位目标窗口，确认后一击即中并截图验证）。
- 已验证兼容 DeepSeek Harness EAC 桌面端（与 Web 同一 DSH 宿主内核）。

English: README.md。

看屏的两种模式

1）视觉模式（推荐，默认） —— 当前路由声明了图像输入能力时自动启用：

computer_screenshot → 截图作为图片直接返回 # 看（无需任何外部工具） computer_click / type / ... # 做 computer_screenshot # 验证

截图随工具结果一起附加，模型直接观察画面。插件会把截图自动压到 vision_max_pixels （默认 640000，与 DeepSeek 视觉投影预算一致）以内，并按实际图片尺寸算出 screen_per_pixel 倍率，保证「图片像素 → 屏幕物理像素」换算精确：

screen_x = virtual_offset[0] + image_x screen_per_pixel[0]
screen_y = virtual_offset[1] + image_y * screen_per_pixel[1]

要读小字或定位小按钮时用 region 只截目标窗口——同样预算下，截得越小越清晰。

2）路径模式（降级） —— 模型不支持图像输入时自动退回：

computer_screenshot → path
picturereader image_scan / image_ocr # 看（本地 OCR） computer_click / type / ... # 做 computer_screenshot → image_compare # 验证

这条路线不需要多模态模型，也不需要外部视觉 API：picturereader 把 PNG 转成纯文本模型能读的结构化描述（image_scan 布局/颜色/regions、image_ocr 真实文字、image_sample 纹理），全程只有文本 token、零外部请求。

模式由插件读取当前路由的 inputModalities 自动判断，也可用设置项 vision_feedback 强制关闭视觉直返。详见 skills/computer-use.md。

工具

| 工具 | 作用 |
| computer_screenshot | 截取整虚拟屏（可选 region/scale）。视觉模式下直接返回图片并附 screen_per_pixel 换算倍率；否则只返回 {path,…} |
| computer_click | 在 [x,y] 点击（click / right_click / double_click） |
| computer_type | 输入任意 UTF-16 文本（含中文），走 SendInput Unicode |
| computer_keypress | 组合键，如 ["ctrl","c"]、["alt","tab"]；字母/数字走虚拟键以触发快捷键 |
| computer_scroll | 在 [x,y] 滚轮：up / down / left / right，clicks 格 |
| computer_drag | 按下 → 分步移动 → 释放，可选 hold_keys |
| computer_move_mouse | 移动光标但不点击 |
| computer_wait | 等待 ms（让 UI 稳定） |
| computer_get_cursor_position | 读取当前光标位置 [x,y] |

坐标为「相对虚拟屏原点（所有显示器合并区域左上角）」的像素；computer_screenshot 返回的 virtual_offset 即该原点。执行器已把进程提升到 PerMonitorV2 DPI 感知，高分屏缩放下坐标仍与物理像素一致。

安装

npm install computer-user-vision

或在 DSH profile 里：

dsh plugin --profile web add computer-user-vision

然后重启 DSH（或到 EAC「设置 → 插件 → 管理」启用）。工具对所有会话生效；设置卡在「设置 → 电脑操作」。

闭环一览

视觉模式（模型支持图像输入，默认）：

computer_screenshot → image # 看 computer_click / type / ... # 做 computer_screenshot # 验证

路径模式（纯文本模型，配合 picturereader）：

computer_screenshot → path
picturereader image_scan / image_ocr # 看 computer_click / type / ... # 做 computer_screenshot → image_compare # 验证

设置卡

设置卡（「电脑操作」）采用 DSH settings-panel 设计语言：卡片分组 + 胶囊按钮 + 32px 输入框 + chevron 下拉 + 折叠箭头；scope.load() 兼容无 load 宿主（EAC 桌面壳）。

- 模式下拉框（卡片顶部）：
- disabled 禁用 —— 所有 computer_ 工具一律拒绝。
- readonly 只读 —— 仅截图 / 读光标 / 等待可用。
- manual 手动批准 —— 有副作用工具需先在本会话输入 /computer 批准（一次批准，后续轮次持续有效）。
- auto 自动 —— LLM 自由调用所有工具。
- 「AI 可自行修改运行模式」开关（下拉框下方，不在高级设置里）：默认关闭；开启后 AI 可用 computer_set_mode 切换模式，写入同一设置命名空间，设置卡下拉框双向同步。
- 高级设置（默认折叠）：截图输出目录、默认缩放、视觉直返（vision_feedback，默认开）、视觉截图像素上限（vision_max_pixels，默认 640000）、逐字输入间隔、滚动刻度、代码输出打回（output guard，默认开）、调试日志。

代码输出打回：host 侧对 LLM 输出流的过滤器——若模型把伪工具调用/伪 XML 当对话文本输出（比如把 computer_click({…})、 直接打成了字而不是真正调用），该段会被剔除并替换为一句一次性提示；同一内容第二次原样输出时放行不拦截。需要故意在回复里展示代码片段时可到高级设置关掉。

安全

- 先定位目标窗口（DPI 感知 GetWindowRect，见 skills/computer-use.md）——桌面图标/壁纸会干扰判断与点击；只在目标窗口内工作。
- 动手前务必 computer_screenshot 并真正看图（视觉模式）或交给图像工具分析（路径模式），不要盲点盲输。
- 确认坐标后一击即中，点完截图验证，不要盲目连点（很多 UI 是点击开关）。
- 手动批准模式配合 /computer 命令，让人在环。

验证与已知限制

- node --test 单测 39/39 通过（工具注册、门禁、参数校验、output guard）。
- 实机安全窗口冒烟（一次性窗口 + cmd.exe，绝不碰用户应用）：截图 PNG 正确；光标读/移往返精确；hello 中文 123! 逐字回读一致；keypress Home/End 导航+插入验证（HEADzzzTAIL）；双击选词、单击取消、拖拽选区均通过控件状态断言。
- headless 集成：dsh --profile headless 真实会话中，模型成功调用 computer_screenshot 与 computer_get_cursor_position。
- headless 真实场景：模型在 dsh --profile headless 中自主完成 5 步任务（screenshot → image_scan → type "hello" → screenshot → image_ocr），协调 picturereader 与 computer-user-vision 工具，OCR 确认输入文字出现在屏幕上。
- 滚轮端到端验证通过：滚动条位置变化 + MouseWheel 事件触发均正常。注意：鼠标若落在搜狗输入法等置顶悬浮窗上，滚轮事件会被悬浮窗吸收——把光标移到空白处再滚（与任何基于光标的输入同理）。
- EAC 兼容：与 picturereader 在同一宿主内可并存加载（视觉模式下不再依赖它）；对全部内置插件静态扫描，computer_ 工具名 / computer-user-vision 命名空间零冲突。
- 视觉直返实测：deepseek-flash（DeepSeek-V41-Flash）路由下 computer_screenshot 返回图片块 + screen_per_pixel，模型可直接读屏并换算坐标；纯文本路由自动退回路径模式。

开发

src/act.ps1 唯一执行器：截图 / 元素枚举（UIA）/ 鼠标键盘 / 窗口与前台 / 激活 src/ps.js PowerShell 运行器（base64 JSON、超时、取消） src/tools.js 13 个 computer_* 工具定义 + 模式门禁 + 元素引用解析 + 视觉直返 src/overlay.ps1 控制指示器（渐变光框 / 光标光晕 / 顶部横幅 + 停止按钮 + 全局热键） src/overlay.js 指示器生命周期（心跳 / 截图暂停 / 停止标记） src/approvals.js /computer 授权落盘（跨宿主重启保持） src/output-guard.js 把写成对话文本的伪工具调用打回 src/config.js 设置命名空间 schema src/index.js 插件入口（注册工具 + 设置热载 + 控制路由 + 用户消息重新授权） client.js Web 设置卡（ModuleLoader bundle，中英） skills/ 面向模型的技能文档（computer-use.md） tools/ 健康检查 doctor 与 profile 安装器 install.mjs verify/ 可移植验证脚本（纯 node，不需要浏览器） docs/ 适配说明

许可

MIT