dsh-computer-use

让 DeepSeek Harness 像人一样操作桌面。 观察屏幕、定位界面元素、移动独立虚拟光标、点击、输入、滚动和拖拽。

Give DeepSeek Harness a safe, observable Computer Use layer. Observe desktop applications, locate UI elements, and act through an isolated virtual cursor.

真实演示 · Real demo: a local, non-sensitive page was observed, filled, clicked, and verified through the Computer Use action loop.

中文文档 · English documentation

• 中文文档
• English Documentation

生态入口 · Ecosystem

入口	作用	Link
harness-desktop	开箱即用的 DeepSeek Harness 桌面客户端 · Ready-to-use desktop client	下载 / Download
AI House	发现 AI 工具、模型和 Agent · Discover AI tools and agents	工具中心 / Tools
npm	安装和查看包信息 · Install and inspect the package	dsh-computer-use
awesome-dsh-plugin	发现更多 DeepSeek Harness 插件 · Discover more plugins	Plugin list
Gitee 镜像	国内访问入口 · China mirror	Gitee

---

中文文档

这是什么？

dsh-computer-use 是 DeepSeek Harness 的跨平台 Computer Use 插件，为 AI Agent 增加一套可观察、可约束、可验证的桌面操作能力。

它不是传统的鼠标宏：Agent 必须先观察目标窗口，再基于新鲜快照执行动作。点击、双击和右键操作通过 cua-driver 的独立虚拟光标完成，用户可以看到操作过程，而不是让程序悄悄发送一串不可见事件。

适合用于：

• 让 DeepSeek Harness 操作原生 macOS、Windows 和 Linux 桌面应用；
• 操作 Electron、Canvas 或游戏等 Accessibility/AX 信息不完整的界面；
• 构建“打开应用 → 观察 → 点击 → 输入 → 再观察验证”的 Agent 闭环；
• 为桌面自动化、内部工具和个人工作流增加可审计的 Computer Use 执行层；
• 研究 Computer Use、视觉定位和安全护栏。

本项目是开源社区插件，不是 DeepSeek 官方产品，也不代表 DeepSeek 的官方立场。

为什么需要它？

普通文本 Agent 可以生成答案，但无法直接完成很多桌面任务。dsh-computer-use 把桌面交互拆成三个阶段：

观察 Observation → 决策 Decision → 受约束执行 Guarded Action

flowchart LR
    A[DeepSeek Harness Agent] --> B[dsh-computer-use]
    B --> C[安全护栏 Guard]
    C --> D[AX / UIA 界面树]
    C --> E[虚拟光标与键盘]
    D --> F[cua-driver]
    E --> F
    F --> G[桌面应用 Desktop Apps]

核心原则：

1. 先观察，再操作：没有新鲜观察快照时，动作会被拒绝；
2. 模型所见即所点：元素编号和坐标来自同一窗口截图空间；
3. 语义优先：优先使用 element 编号，坐标模式保留视觉操作自由度；
4. 失败关闭：目标不明确、快照过期、应用不在白名单时不继续执行。

能力一览

能力	说明
屏幕观察	读取目标窗口元数据、Accessibility/AX/UIA 元素和坐标
三种观察模式	ax 零视觉 Token、native 主模型直读图片、vision 视觉观察者
独立虚拟光标	点击、双击、右键会显示虚拟光标移动和操作过程，不抢用户真实鼠标
文本与快捷键	输入文本、发送 return、cmd+c、ctrl+shift+p 等按键
滚动与拖拽	支持上下左右滚动和窗口本地截图坐标拖拽
应用管理	列出运行中的应用，后台启动应用，按需前置窗口
安全护栏	快照 TTL、应用白名单、危险操作审批、密码框保护
跨平台	macOS、Windows、Linux 均已完成插件测试

12 个模型工具

工具	作用	主要参数
screen_observe	获取窗口、AX/UIA 元素、坐标或截图	window, mode, query, maxElements
screen_zoom	截取并放大窗口局部区域	window_id, pid, x1, y1, x2, y2
computer_click	点击元素或截图坐标	element 或 x,y，可选 count
computer_double_click	双击元素或坐标	element 或 x,y
computer_right_click	右键点击元素或坐标	element 或 x,y
computer_type	向焦点或指定元素输入文本	text, 可选 element
computer_key	发送按键或快捷键	key，例如 return、cmd+c
computer_scroll	在目标窗口滚动	direction, amount, 可选 element
computer_drag	拖拽窗口中的区域	from_x, from_y, to_x, to_y
computer_wait	等待界面加载或动画完成	ms，最大 60000
app_list	列出正在运行的应用	无
app_launch	启动应用	name 或 bundle_id，可选 bring_to_front

快速开始

方式一：使用 harness-desktop

普通桌面用户建议先下载 harness-desktop。它是一个开箱即用的 DeepSeek Harness 桌面客户端，支持 macOS、Windows 和 Linux。

1. 下载并启动 harness-desktop
2. 完成首启配置
3. 安装本插件
4. 重启 harness-desktop
5. 在对话中让 Agent 操作桌面

方式二：从 GitHub 源码安装

git clone https://github.com/988hj7tczd-oss/dsh-computer-use.git
cd dsh-computer-use

# 先预演，不写入配置
./install.sh --dry-run

# 安装到用户级 patch 层
./install.sh

# 安装后重启 harness-desktop

安装脚本只做两件事：

1. 将插件链接到 $DSH_HOME/profiles/web/node_modules/dsh-computer-use；
2. 在 $DSH_HOME/cordis.patch.yml 注册插件。

脚本使用用户级 patch 层，不修改项目代码，也不修改其他 profile 的配置。

Windows / Linux

install.sh 默认使用 macOS 的 DSH_HOME 路径。Windows 或 Linux 用户请先指定自己的 DSH home：

export DSH_HOME="/path/to/your/dsh-home"
./install.sh --dry-run
./install.sh

如果系统不支持符号链接，请使用宿主 DSH 的插件管理方式，或按照 docs/store-evidence.md 中的手动安装说明操作。

方式三：npm 包

npm install -g dsh-computer-use

安装后仍需要让 DSH profile 加载该 bundle，并确认 cua-driver 已经安装且在 PATH 中，或设置：

export CUA_DRIVER_BIN=/path/to/cua-driver

安装完成后重启宿主，再通过 app_list 或 screen_observe 验证工具是否出现。

第一个完整任务

安装并授权后，可以让 Agent 执行下面的任务：

请完成以下桌面任务：

1. 使用 app_list 列出正在运行的应用；
2. 使用 app_launch 打开一个普通桌面应用；
3. 使用 screen_observe 观察目标窗口；
4. 找到目标按钮，优先使用 element 编号点击；
5. 使用 computer_type 输入一段非敏感测试文本；
6. 再次使用 screen_observe 验证文本已经出现；
7. 如果界面发生变化，请重新观察，不要使用旧元素编号继续操作；
8. 如果动作被安全护栏拒绝，请报告拒绝原因，不要绕过护栏。

推荐的操作循环

app_list / app_launch
        ↓
screen_observe
        ↓
computer_click / computer_type / computer_key
        ↓
computer_wait（如需等待）
        ↓
screen_observe 验证结果

每一次界面明显变化后，都应重新调用 screen_observe。元素编号属于某一次观察快照，不应跨页面、弹窗或长时间等待复用。

观察模式

screen_observe 的 mode 有三种选择：

模式	原理	成本	适用场景
ax（默认）	读取 AX/UIA 界面树并返回编号和坐标	不消耗视觉 Token	原生应用、元素树完整的界面
native	将截图作为图片块交给当前对话模型	图片 Token；不额外调用视觉观察者	Canvas、游戏、Electron 或 AX 树为空的界面
vision	通过 Harness 的 ctx.llm 调用视觉模型，返回结构化元素列表	额外一次视觉模型调用	当前主模型不支持图片输入时

native 模式

当前对话模型必须声明支持 image 输入，例如视觉模型。插件通过 Harness attachments 传递图片，不额外发起独立视觉 API 请求。

screen_observe(mode="native")

vision 模式

默认观察模型为：

provider: deepseek-official
model: deepseek-v4-flash-vision-exp

老版本 Harness 需要在模型配置中声明：

models:
  - id: deepseek-v4-flash-vision-exp
    input: [text, image]

当 DeepSeek 视觉观察者不可用时，插件可以尝试 GLM 视觉兜底。GLM 兜底需要 ZHIPU_API_KEY，并可能受到免费模型访问量限制。

自动降级

当 AX/UIA 树为空时，插件会尝试：

native（当前路由支持图片时）
  → vision（宿主存在可用视觉模型时）
  → ax（返回可用的界面树信息或明确错误）

坐标语义

从 v0.2.0 起，所有坐标均为：

窗口本地截图像素（window-local screenshot pixels）

这意味着：

• 坐标原点在目标窗口左上角；
• screen_observe 输出的 @(x,y) 与 computer_click(x=,y=) 使用同一坐标系；
• 不需要乘以 2；
• 不需要加屏幕坐标或窗口偏移；
• 使用 screen_zoom 时，返回图片是局部区域，但点击仍应使用整窗截图坐标。

优先使用：

computer_click(element=5)

只有在元素无法通过 AX/UIA 识别，或视觉模式给出坐标时，才使用：

computer_click(x=640, y=420)

安全模型

已内置的安全机制

1. 无快照拒绝：没有先调用 screen_observe，动作不会执行；
2. 观察快照 TTL：快照过期后动作被拒绝，必须重新观察；
3. 应用白名单：配置 allowedApps 后，只允许指定应用接受操作；
4. 危险操作审批：元素标签命中删除、支付、购买、转账、退出登录等词时请求用户确认；
5. 密码框保护：检测到 AXSecureTextField / AXPasswordField 时拒绝自动输入；
6. 固定 argv 调用：通过宿主以非 shell 方式启动 cua-driver；
7. 权限边界声明：插件本身不读取用户文件、不读取凭据、不发起普通网络请求，也没有 npm lifecycle 安装脚本。

重要限制

语义安全检测依赖观察到的元素标签，主要对 element 编号模式有效：

• x/y 坐标模式无法提前知道目标语义，主要依赖快照 TTL 和可见操作；
• computer_type 和 computer_key 作用于当前焦点时，无法预判最终目标内容；
• computer_key 不会阻止 cmd+q、ctrl+alt+delete 等系统快捷键；
• 不要把本插件的操作权限授予不可信 Agent；
• 密码、API Key 和其他敏感信息必须由用户本人输入。

配置

插件配置位于 DSH 的用户级 patch 层：

- id: dsh-computer-use
  config:
    ttlMs: 30000
    maxElements: 500
    allowedApps: []
    cursorTheme: com.dsh.computeruse.rainbow
    nativeImage: auto
    visionProvider: deepseek-official
    visionModel: deepseek-v4-flash-vision-exp

配置项	默认值	说明
ttlMs	30000	观察快照有效期，单位毫秒；多步任务建议显式设置 30000-60000
maxElements	500	单次观察最多返回的编号元素数量
allowedApps	[]	空数组表示不限制；非空时只允许列表中的应用
cursorTheme	com.dsh.computeruse.rainbow	虚拟光标主题；空字符串使用引擎默认主题
nativeImage	auto	auto 自动降级；full 原图；compact 始终使用小图
visionProvider	deepseek-official	vision 模式使用的 provider
visionModel	deepseek-v4-flash-vision-exp	vision 模式使用的视觉模型

安装脚本或 bundle patch 可能覆盖代码层默认值。请以实际生成的 $DSH_HOME/cordis.patch.yml 为准；多步任务建议显式写入 ttlMs，不要依赖隐式默认值。

平台支持 · Platform Support

平台	状态	说明
macOS	✅ 已测试	可能需要 Accessibility 和 Screen Recording 权限
Windows	✅ 已测试	使用普通用户桌面会话；管理员权限窗口属于系统边界
Linux	✅ 已测试	桌面环境、Accessibility 栈和窗口管理器可能影响元素识别

测试通过不代表所有应用的界面树都完全一致。AX/UIA 不完整时，请使用 native 或 vision 模式，并在提交问题时附上操作系统、目标应用和 screen_observe 输出。

故障排查

现象	常见原因	处理方式
cua-driver not found	引擎不在 PATH	安装 cua-driver，或设置 CUA_DRIVER_BIN
没有可见窗口	图形会话或窗口权限不可用	确认目标应用正在运行并重新观察
快照已过期	超过 ttlMs	重新调用 screen_observe
元素编号点击失败	界面已经变化	重新观察后再使用新编号
AX/UIA 树为空	Canvas、游戏、Electron 或特殊窗口	使用 native 或 vision
native 被拒绝	当前主模型没有 image 输入能力	切换视觉模型或使用 vision
vision 模型不可用	provider/model 未注册 image 输入	配置 visionProvider / visionModel
GLM fallback 不可用	没有 ZHIPU_API_KEY 或遇到限流	配置 Key，或使用 Harness 视觉模型
危险操作被拒绝	需要用户审批	检查审批提示，不要绕过安全护栏
Windows 管理员窗口无法操作	目标窗口权限级别更高	使用普通用户窗口

开发与验证

项目使用隔离 profile 开发，避免污染真实 GUI 配置：

npm install
npm run check

# 运行时验证需要已安装 harness-desktop 和 cua-driver
node verify-runtime.mjs

macOS headless 验证示例：

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"

更多证据：

• 权限声明
• 验证报告
• Windows 测试指南
• Store 安装证据
• 运行时验证脚本

相关项目

• harness-desktop：开箱即用的 DeepSeek Harness 桌面客户端；
• awesome-dsh-plugin：DeepSeek Harness 插件精选列表；
• AI House 工具中心：发现更多 AI 工具、模型和 Agent；
• cua-driver：底层跨平台桌面驱动；
• npm package：安装包和版本信息；
• Gitee mirror：国内镜像。

License

MIT License

---

English Documentation

What is dsh-computer-use?

dsh-computer-use is a cross-platform Computer Use plugin for DeepSeek Harness. It gives an AI agent an observable, guarded, and verifiable desktop action layer.

The plugin is designed around an explicit loop:

Observe → Decide → Execute with Guardrails → Observe and Verify

It can inspect desktop windows, expose actionable AX/UIA elements, use a screenshot-based visual fallback, and operate through an isolated virtual cursor. It is useful for desktop automation, Computer Use research, internal workflows, and agentic applications that need bounded desktop actions.

This is a community plugin, not an official DeepSeek product and not affiliated with DeepSeek.

Highlights

• Observe native desktop windows and accessibility trees;
• Use ax, native, or vision observation modes;
• Click, double-click, right-click, type, press keys, scroll, and drag;
• Launch applications and list running applications;
• Bind actions to fresh observation snapshots;
• Restrict actions to an application allowlist;
• Request approval for risky semantic targets;
• Refuse automated typing into password fields;
• Fall back to screenshots when AX/UIA data is incomplete;
• Tested on macOS, Windows, and Linux.

Quick Start

Recommended desktop experience

Download harness-desktop, the ready-to-use DeepSeek Harness desktop client. After the host is installed, install this plugin and restart the host.

Install from source

git clone https://github.com/988hj7tczd-oss/dsh-computer-use.git
cd dsh-computer-use

./install.sh --dry-run
./install.sh

The installer creates a user-level plugin link and registers the bundle in the DSH home patch layer. It does not modify project source files or other profiles.

On Windows or Linux, set DSH_HOME to the actual DSH home directory before running the script:

export DSH_HOME="/path/to/your/dsh-home"
./install.sh

Install the npm package

npm install -g dsh-computer-use

Make sure the host loads the bundle and that cua-driver is available in PATH, or set CUA_DRIVER_BIN to its absolute path.

Tools

Tool	Purpose	Main parameters
screen_observe	Observe a window, AX/UIA elements, coordinates, or a screenshot	window, mode, query, maxElements
screen_zoom	Capture a smaller region for visual inspection	window_id, pid, x1, y1, x2, y2
computer_click	Click an element or screenshot coordinate	element or x,y; optional count
computer_double_click	Double-click an element or coordinate	element or x,y
computer_right_click	Right-click an element or coordinate	element or x,y
computer_type	Type into the focused or selected field	text, optional element
computer_key	Send a key or shortcut	key, e.g. return, cmd+c
computer_scroll	Scroll a target window	direction, amount, optional element
computer_drag	Drag between screenshot coordinates	from_x, from_y, to_x, to_y
computer_wait	Wait for a page load or animation	ms, max 60000
app_list	List running applications	none
app_launch	Launch an application	name or bundle_id; optional bring_to_front

The standard action loop

app_list / app_launch
        ↓
screen_observe
        ↓
computer_click / computer_type / computer_key
        ↓
computer_wait
        ↓
screen_observe to verify the result

A snapshot is observation-local. If the UI changes, observe again before using an element index or coordinate from the previous state.

Observation modes

Mode	How it works	Best for
ax	Returns a compact AX/UIA tree with indexed elements and coordinates	Native applications with usable accessibility data
native	Returns the screenshot as an image block for the current multimodal model	Canvas, games, Electron, or windows with incomplete AX/UIA data
vision	Uses a Harness ctx.llm vision model to describe the screenshot	Text-only main models that need a separate observer

native requires the current route to declare image input support. vision uses the configured visionProvider and visionModel; the default model is deepseek-v4-flash-vision-exp. The optional GLM fallback requires ZHIPU_API_KEY and may be rate-limited.

When the accessibility tree is empty, the fallback order is:

native → vision → ax

The plugin chooses a path that is available and returns an explicit error when no visual route can be used.

Coordinate semantics

Since v0.2.0, all coordinates are window-local screenshot pixels:

• the origin is the top-left corner of the target window;
• coordinates returned by screen_observe and coordinates accepted by computer_click share the same space;
• do not multiply by two;
• do not add a screen or window offset;
• screen_zoom returns a cropped image, but click coordinates remain coordinates in the full-window screenshot space.

Prefer semantic element actions:

computer_click(element=5)

Use x,y when the target is not exposed through AX/UIA or when a visual observer provides coordinates.

Security model

The plugin includes:

1. Observe-before-act: actions without a fresh observation are rejected;
2. Snapshot TTL: expired snapshots require a new observation;
3. Application allowlists: allowedApps can restrict the operation scope;
4. Risky-action approval: labels such as delete, pay, purchase, transfer, or sign out can require user approval;
5. Password-field protection: automated typing into password fields is refused;
6. Fixed non-shell driver invocation: the host starts cua-driver with fixed argv;
7. Explicit permission boundaries: the plugin does not read user files, credentials, or use npm lifecycle scripts.

Semantic checks are strongest for element-based actions. Coordinate actions and unfocused computer_type/computer_key calls cannot predict the final semantic target. computer_key does not validate system shortcuts. Do not give this capability to an untrusted agent, and always type passwords and secrets yourself.

Configuration

- id: dsh-computer-use
  config:
    ttlMs: 30000
    maxElements: 500
    allowedApps: []
    cursorTheme: com.dsh.computeruse.rainbow
    nativeImage: auto
    visionProvider: deepseek-official
    visionModel: deepseek-v4-flash-vision-exp

Option	Default	Description
ttlMs	30000	Observation lifetime in milliseconds
maxElements	500	Maximum indexed elements returned by observation
allowedApps	[]	Empty means unrestricted; otherwise only listed apps are allowed
cursorTheme	com.dsh.computeruse.rainbow	Virtual cursor theme; empty uses the engine default
nativeImage	auto	auto, full, or compact screenshot strategy
visionProvider	deepseek-official	Provider used by vision mode
visionModel	deepseek-v4-flash-vision-exp	Image-capable observer model

If an installer or bundle patch overrides the code-level default, the generated $DSH_HOME/cordis.patch.yml is authoritative. For multi-step tasks, set ttlMs explicitly instead of relying on an implicit default.

Platform support

Platform	Status	Notes
macOS	✅ Tested	Accessibility and Screen Recording permissions may be required
Windows	✅ Tested	Use a regular-user desktop session; elevated windows remain a system boundary
Linux	✅ Tested	Desktop environment, accessibility stack, and window manager can affect element discovery

All three platforms have passed plugin testing. This does not mean every application exposes an identical accessibility tree. For incomplete AX/UIA data, use native or vision and include the OS, target application, and observation output in bug reports.

Troubleshooting

Symptom	Likely cause	Action
cua-driver not found	Driver is not in PATH	Install it or set CUA_DRIVER_BIN
No visible windows	Missing graphical session or permission	Confirm the target app is visible and observe again
Snapshot expired	ttlMs elapsed	Call screen_observe again
Element click failed	The UI changed	Observe again and use the new index
Empty AX/UIA tree	Canvas, game, Electron, or special window	Use native or vision
native rejected	Main route is not image-capable	Switch to an image-capable model or use vision
Vision model unavailable	Provider/model lacks image input declaration	Configure visionProvider / visionModel
GLM fallback unavailable	Missing ZHIPU_API_KEY or rate limit	Configure the key or use a Harness vision model
Risky action rejected	User approval was not granted	Follow the approval result; do not bypass the guard
Windows elevated window rejected	Target has a higher privilege level	Use a regular-user window

Development and verification

npm install
npm run check
node verify-runtime.mjs

The runtime verification requires a working harness-desktop installation and cua-driver. Additional evidence is available in:

• PERMISSIONS.md
• VERIFICATION.md
• WINDOWS_TEST.md
• docs/store-evidence.md
• verify-runtime.mjs

Ecosystem

• harness-desktop — a ready-to-use DeepSeek Harness desktop client;
• awesome-dsh-plugin — a curated list of DeepSeek Harness plugins;
• AI House Tools — discover AI tools, models, and agents;
• cua-driver — the underlying cross-platform desktop driver;
• npm package — package versions and downloads;
• Gitee mirror — China mirror.

License

MIT License

---

Not affiliated with DeepSeek. DeepSeek Harness is an open-source project by DeepSeek AI.