dsh-screen-automation

dsh-screen-automation

把本地「屏幕自动化小助手」(Screen Automation Helper) 桌面端桥接成 DeepSeek Harness (dsh) 的 Agent 工具插件。 让 dsh 里的 Agent 能直接确认平台状态、截图与本地识别、驱动本机鼠标键盘、管理自动化流程—— 而真正的本地屏幕观察与执行，仍由你自己的小助手完成。

这不是重写屏幕自动化，而是桥接：dsh 负责 Agent 编排，小助手负责本地执行。

⚠️ 前置依赖：本插件只是一层桥接，本机必须先独立安装「屏幕自动化小助手」桌面端（Windows .exe / macOS .app），46 个工具才能真正工作。安装方式见下方「前置依赖：安装屏幕自动化小助手」。

设计原则

• 桥接而非重实现：dsh 插件只做「定位二进制 → 调 CLI → 解析 JSON → 回传」，智能只写在后端。
• 全能力桥接：不人为限制 Agent。workflow 全生命周期、本机输入控制、各类识别原语、 以及把截图喂给 dsh 视觉模型的 screen_automation_understand 全部暴露。小助手就是 Agent 在本地延伸的手和眼。
• 识别阶梯（廉价本地优先）：OCR / 模板匹配 / 颜色区域 / 轮廓这些免费本地方法作为一等公民，能解决就不升到 VLM，省 API 费用。VLM 是按需升层，不是默认路径。
• 本地算力：所谓「本地」包含本地算力。想免费推理时，把本机视觉模型（Ollama / llama.cpp + Qwen-VL / DeepSeek-VL）注册成 dsh 的一个 provider，再传给 understand 即可。

架构

dsh Agent
   │  工具调用 (screen_automation_*)
   ▼
dsh-screen-automation  (Host 插件, Node/TS)
   │  spawn 二进制 + `cli <subcommand>`（JSON 接口）
   ▼
屏幕自动化小助手  (.exe on Windows / .app on macOS)
   │  本地屏幕识别、鼠标键盘、workflow 运行、结果保存
   ▼
结构化 JSON 结果  ──回传──▶  Agent

平台 CLI 与 Windows/macOS 共用同一套命令，且标准输出为 JSON，因此桥接层只需要： 定位二进制 → 调 CLI → 解析 JSON → 回传。

工作流开发语义

本插件不自行解析、转换或补全 workflow.md，因此桌面端新增流程语言时，桥接层保持原样透传。 需要创建或修改流程的 Agent 必须遵循“屏幕自动化工程师”的当前工作流开发标准，并以本机 screen_automation_capabilities 和 screen_automation_workflow_inspect 的结果为准。安装前先检查、 校验流程；校验报错时不得猜测字段或用旧语法绕过。当前标准已包括表单填写的运行期 OCR 锚定、 相对 偏移、相对【文字】右侧 等位置约束、越界滚动重定位、锚点虚线提示及安全停止规则。

暴露的工具（共 48 个）

浏览器增强（受管会话）

插件桥接 browser health/status/open/navigate/auth-status/probe/outcome/locate/read/click/fill/select-text/scroll/press/verify/copy/download/close。 同一个网页任务只调用一次 screen_automation_browser_open，后续工具按 browser=chrome|edge 跨 CLI 进程复用同一会话；不得在每一步前重新打开，也不得在观察和操作之间关闭。插件不向 Agent 暴露 browser open --new 或 browser close --stop-daemon。仅当小助手明确返回 browser_session_expired 时重新打开一次；若返回 browser_session_not_open，先调用 screen_automation_browser_status，随后停止 无限重试并向用户报告。

给出网址时，在首次 screen_automation_browser_open 中直接传 url。小助手会创建或复用持久化受管 Profile 并进入该网址；正常关闭或重启后会保留站点登录状态。若返回 waiting_for_user / login_required， 保留当前窗口，停止工具调用并请用户登录；用户确认后调用 screen_automation_browser_auth_status，状态为 ready 才在原会话继续。用户明确提供账号、密码或验证码时可以代填；敏感文字通过标准输入传给小助手， 不出现在进程命令行中。只禁止 Agent 将 Cookie、密码等原始凭据写入模型上下文、流程文件、运行日志或 结果输出；技术上无法代办的扫码、安全密钥、生物识别才等待用户。

执行 DOM 任务前调用 screen_automation_browser_probe，按返回的 USE_DOM、ENHANCE_DOM 或 EXIT_DOM 选择 DOM 路线。只有显式采用 Probe 返回的策略时，才把 strategy_id 传给 screen_automation_browser_locate；普通定位不传。任务结束后调用一次 screen_automation_browser_outcome 记账，只有业务结果已经验证时才把成功记录为已验证。 EXIT_DOM 只退出 DOM 路线，不会禁用 UIA、OCR、CV、VLM、鼠标键盘或普通屏幕自动化。

1. 平台自检与流程生命周期

工具	映射的 CLI	说明
screen_automation_status	cli status	平台是否可用、版本等自检
screen_automation_capabilities	cli capabilities	平台能力清单
screen_automation_list_workflows	cli workflow list	已安装流程
screen_automation_run_workflow	cli start-workflow <id>	运行流程（支持 count / dry_run）
screen_automation_stop_run	cli stop --run-id <id>	停止某次运行
screen_automation_list_runs	cli runs list	当前运行实例
screen_automation_health	cli health --workflow <id>	运行前健康检查
screen_automation_capture	cli screen capture	截图（可选 region / output）

2. 本地识别原语（免费、本地，省 VLM 费用）

工具	映射的 CLI	说明
screen_automation_recognize_text	cli screen recognize	OCR 全文识别，返回文字与区域框
screen_automation_locate_text	cli screen find --text <t>	按文字定位，返回坐标（"点提交按钮"类任务优先用）
screen_automation_color_regions	cli screen color-regions	HSV 颜色区域检测（"按钮变绿再点"类检查）
screen_automation_match_template	cli screen match --template <p>	模板匹配（按图找图标/Logo）
screen_automation_contours	cli screen contours	轮廓/形状检测（按形状/尺寸定位元素）
screen_automation_wait_text	cli screen wait --text <t>	轮询等待文字出现（廉价的状态等待原语）

3. 本机输入控制

工具	映射的 CLI	说明
screen_automation_click	cli click	鼠标点击（点格式 "x,y"，可选 button）
screen_automation_drag	cli drag	拖拽（start→end，可选 duration / button）
screen_automation_scroll	cli scroll	在指定点滚动（amount 正下负上）
screen_automation_long_press	cli long-press	长按（可选 duration / button）
screen_automation_type_text	cli type	向焦点元素输入文字（可选 interval）
screen_automation_hotkey	cli hotkey	组合键，如 "ctrl c" / "win v"

4. 工作流全生命周期（安装 / 校验 / 移除）

工具	映射的 CLI	说明
screen_automation_workflow_validate	cli workflow validate <id>	校验已安装 workflow；修改后必须执行，报错时不得猜语法
screen_automation_workflow_install	cli workflow install <source>	从本地源（目录/压缩包）安装已按当前流程语言检查过的 workflow
screen_automation_workflow_remove	cli workflow remove <id>	移除已安装 workflow

5. 任务会话（绑定窗口，后续控制/识别在该窗口内生效）

工具	映射的 CLI	说明
screen_automation_task_begin	cli task begin	开始任务会话，可按 title / process / handle 绑定窗口
screen_automation_task_status	cli task status	报告当前任务会话目标窗口
screen_automation_task_end	cli task end	结束当前任务会话

6. 工作流只读信息

工具	映射的 CLI	说明
screen_automation_workflow_show	cli workflow show <id>	查看已安装 workflow 的配置/清单
screen_automation_workflow_describe	cli workflow describe <id>	获取 workflow 的可读说明/元数据
screen_automation_workflow_inspect	cli workflow inspect <source>	检查未安装的 workflow 源（返回清单）

7. 视觉理解（识别阶梯最高层：VLM）

screen_automation_understand 把小助手截图喂给 dsh 的视觉模型：

screen capture 拿图 → ctx.attachments.saveImage 登记为不可变图片引用
  → 拼 [文字提问 + image block] 的 user 消息 → ctx.llm.stream 多模态推理 → 收集 text-delta

• 这是「按需升层」：OCR/模板/颜色能解决就别调它，省 API 钱；开放任务（"这屏在干嘛、哪出错了"）才升到 VLM。
• 模型走 dsh 当前 profile 配置的 provider / model。想免费本地推理：把本机视觉模型（Ollama / llama.cpp + Qwen-VL / DeepSeek-VL） 注册成 dsh 的一个 provider，再把 provider / model 传进工具即可——本地算力，不烧远程 VLM。
• 依赖 dsh 运行时的 ctx.llm（视觉模型服务）与 ctx.attachments（图片登记服务）；任一不可用，工具会抛出明确错误。

Agent Bridge 任务级工具策略

插件正常安装在交互式 DSH 会话中时，仍提供完整工具集。由“屏幕自动化小助手”的 Agent Bridge 启动受控任务时，Bridge 会同时设置策略版本和精确工具白名单；插件在每次执行工具前强制校验， 未列入的流程安装、卸载、启动等工具即使出现在模型上下文中也会被拒绝。

策略使用 SCREEN_AUTOMATION_AGENT_TOOL_POLICY_VERSION=1 和 SCREEN_AUTOMATION_AGENT_ALLOWED_TOOLS。这两个变量是 Bridge 与插件之间的内部契约，普通用户 不应手工设置；只设置其中一个、使用未知策略版本或传入空白名单时，默认拒绝所有插件工具。 此检查是执行边界，不以提示词服从作为授权依据。

二进制发现（按优先级）

• 环境变量 SCREEN_AUTOMATION_BIN（最高优先级，直接指向可执行文件）
• macOS：SCREEN_AUTOMATION_MAC_APP → 其下 Contents/MacOS/screen-automation-helper 或 /Applications/Screen Automation Helper.app/...、 $HOME/Applications/Screen Automation Helper.app/...
• Windows：SCREEN_AUTOMATION_WIN_EXE → %LOCALAPPDATA%\Programs\Xiaozs\ScreenAutomationHelper\... → %ProgramFiles%\Xiaozs\ScreenAutomationHelper\... → %ProgramFiles(x86)%\Xiaozs\ScreenAutomationHelper\...

都找不到时，工具会抛出带官网下载链接的明确错误。

前置依赖：安装屏幕自动化小助手

本插件不内置任何屏幕识别或输入执行的代码，它只是一层桥接。要让上面 46 个工具真正可用， 你本机必须先装好「屏幕自动化小助手」(Screen Automation Helper) 桌面端——Windows 上是 ScreenAutomationHelper.exe，macOS 上是 Screen Automation Helper.app。小助手通过 cli <subcommand> 暴露 JSON 接口，本插件只是去「定位二进制 → 调 CLI → 解析 JSON → 回传」。

1. 下载与安装

• Windows 版：https://www.xiaozs.com/sah/downloads/windows/latest
• macOS 版：https://www.xiaozs.com/sah/downloads/mac/latest
• ZIP 备用：https://www.xiaozs.com/sah/downloads/zip/latest

按默认路径安装即可，插件会自动在系统常见位置发现它（详见下方「二进制发现」一节）。 若使用自定义安装路径，或想在隔离环境里跑，用「二进制发现」里的环境变量 SCREEN_AUTOMATION_BIN 等显式指向可执行文件即可，无需放回默认位置。

下载页地址以官网为准；如链接变动，请替换为最新官方地址。

Agent 会在对话里主动提示安装

本插件不靠 README 让 Agent「知道」前置依赖——dsh 在对话中不会读取仓库文档。 真正起作用的是运行时注入给 Agent 的信息：screen_automation_status 的工具描述要求 Agent 先自检；当小助手未安装时，该工具返回结构化结果（含 installHint 与 Windows/macOS/ZIP 下载链接）， 其余工具在 binary not found 时报错里也带有同样的安装指引。因此 Agent 会在首次调用时自然地把 「请先安装屏幕自动化小助手」及下载链接转述给用户，而不是静默失败。

2. 装好后验证

在 dsh 中注册本插件，然后让 Agent 调用一次自检：

screen_automation_status

• 返回平台可用状态与版本号 → 桥接成功。
• 报 binary not found → 安装路径未被自动发现，按「二进制发现」设置 SCREEN_AUTOMATION_BIN / SCREEN_AUTOMATION_MAC_APP / SCREEN_AUTOMATION_WIN_EXE 之一后再试。

3. 它与 dsh 插件的关系

屏幕自动化小助手（本地桌面端，必须独立安装）
        ▲ 被本插件 spawn CLI 调用
        │
dsh-screen-automation（dsh 插件，本仓库）
        ▲ 被 dsh Agent 以工具形式调用
        │
dsh Agent

先装小助手，再装本插件，二者各司其职：小助手是 Agent 在本地延伸的「手和眼」，本插件是它们之间的桥。

安装与构建

# 1) 安装依赖并编译（产出 lib/，即插件运行入口）
cd dsh-screen-automation
npm install
npm run build          # 需要 typescript（已列入 devDependencies）

# 2) 开发调试（最快看到效果，直接挂载 TypeScript 源）
#    在 deepseek-harness 仓库内：
pnpm dsh web --patch ./cordis.yml
#    控制台出现 [screen-automation] loaded 即成功（cordis.yml 指向 ./src/index.ts）

# 3) 通过 dsh 一键安装（需先 `npm publish`，见下「发布到 npm」）
dsh plugin --profile web add dsh-screen-automation && dsh restart web
#    安装后 package.json 的 dsh.bundle.patch (./cordis.patch.yml) 自动把插件行插入 web profile，
#    加载编译产物 ./lib/index.js，30 个工具即注册完毕。

两个挂载文件分工：

• cordis.yml：path 指向 ./src/index.ts，仅开发期热加载（pnpm dsh web --patch ./cordis.yml）。
• cordis.patch.yml：发布的 bundle patch，dsh plugin add 安装时自动插入插件行，加载编译产物 ./lib/index.js。 cordis patch 的具体字段名可能随 dsh 版本变化，若加载报错请对照 pnpm dsh --help / 官方 cordis 配置文档调整。

发布到 npm（让 dsh plugin add 可用）

仓库已加 GitHub dsh-plugin 话题（官方发现聚合渠道，搜该话题即可找到）。要让人能 dsh plugin --profile web add dsh-screen-automation 一键安装，需要发布到 npm。

一次性配置

在 GitHub 仓库的 Settings → Secrets and variables → Actions 中创建 Secret：

• 名称：NPM_TOKEN
• 值：npm 网站创建的 Automation token（只用于发布 dsh-screen-automation）

日常发布（无需建 GitHub Release）

• 修改 package.json 的 version，例如 0.1.4，并提交、推送到 main。
• 创建同名标签并推送：git tag v0.1.4，然后 git push origin v0.1.4。
• GitHub Actions 的 Publish to npm 会自动安装依赖、构建、校验发布内容，然后发布到 npm。

标签必须与 package.json 的版本完全相同；不一致时工作流会停止，避免误发布。仅修改文档时不需要改版本、打标签或发布 npm。

发布前确认：peerDependencies 已声明 harness 包（与宿主 dsh 共用同一份实例，避免拉第二份 cordis 副本）； dsh.bundle.patch 指向 cordis.patch.yml（install 时自动插入插件行）。

扩展

• 想加更多能力：在小助手的 runtime/cli.py 已有的子命令里挑，照 cliTool({...}) 模式加一个工具即可。
• 想接 IPC（比 CLI 更实时）：把 runCli 换成对小助手 ~/Library/Application Support/Screen Automation Helper/ipc/ 端点（endpoint.json + token）的调用，工具签名不变。
• 想暴露「运行后读取结果文件」：在 screen_automation_run_workflow 的 output 之后，加一个读 runs/<run_id> 结果目录的工具。

验证状态

• 依赖完整性：原 package.json 缺 typescript，已补入 devDependencies；npm install && npm run build 现在可稳定产出 lib/index.js + lib/index.d.ts。
• 类型层：对照真实发布的 @deepseek-ai/dsh-tools / @deepseek-ai/dsh-llm / @deepseek-ai/dsh-attachment 编译通过。
• 运行时层：用桩二进制（写一张 PNG 到 --output）+ mock ctx.llm.stream / ctx.attachments.saveImage 验证全链路—— 工具注册成功，screen_automation_understand 正确执行 cli screen capture --output、读字节、登记 attachment、 把 image block 塞进 llm.stream 的消息、并累积 text-delta 成结果。
• 真机端到端需在已安装小助手 .app/.exe 且 dsh profile 配置了视觉模型的机器上跑（本仓库不携带该二进制）。

License

MIT