mirror of
https://gitcode.com/JianFeeeee/HomeAgent.git
synced 2026-10-15 12:15:16 +00:00
f0a7ce23b1
## 模式 A：agent 独立光标（不抢用户鼠标）
现有 computeruse 走 SetCursorPos + mouse_event，agent 一干活就抢走用户
真实鼠标，用户无法同时使用电脑。现改为：GUI 自绘 agent 专属光标，实际
输入经 PostMessage 直接投递到目标窗口句柄，用户鼠标全程不动。
新增：
cmd/gui/agent-cursor.js 透明置顶层窗口 + mascot 指针 + 移动/点击脉冲
动画；记录上次命中的 hwnd 供键盘动作使用
cmd/gui/agent-inject.js Windows 后台注入：WindowFromPoint 定位、
客户区坐标换算、PostMessage 投递鼠标/键盘/
滚轮/文本；拖拽分步移动
配置 gui-prefs.deviceBridge.agentCursor.mode = "overlay"(默认) | "real"。
明确的设计边界（不是实现缺陷，是平台限制）：
· 只对「接受窗口消息的程序」可靠。原生 Win32 程序可靠；Chromium/
Electron 自绘界面、游戏、DirectX 会忽略合成消息。
· 不做真实鼠标降级。用户既选了不抢鼠标，就不该偷偷改成操作真鼠标，
失败即 status=error 并说明原因。
· 键盘类动作依赖先前的鼠标操作（后台注入不动真光标，
GetCursorPos 拿到的是用户自己的光标位置）。
端到端 8/8 正确响应；「真实点击是否落到目标窗口」因当前环境无可注入的
可见窗口而未验证，已在 GUI-PLAN.md 列为待办。
## 修坐标换算（我自己上一轮引入的 bug）
上一轮我加了 rawX / scaleFactor 的换算，理由是「SetCursorPos 期望 DIP」。
**那个前提是错的** —— Electron 主进程是 per-monitor DPI-aware，Win32 坐标
不做虚拟化。实测：
Electron screen API (DIP) : 1260 x 840 scaleFactor=2
GetSystemMetrics : 2520 x 1680
SetCursorPos(200,200) -> GetCursorPos 读回 (200,200) 恒等，不缩放
加 /scale 会把原本正确的点击改坏：200% 屏上点 (600,400) 被送到
(400,267)，越靠右下偏得越远。已改回 physical ? rawX : rawX*scale，
drag 终点同步修正（原先两处换算不一致）。
易误判之处：在普通 node 进程里测同一函数读到的是 1260x840（虚拟化值），
会以为 Win32 用 DIP —— 必须在 Electron 内测。
## 判据
computeruse.test.mjs 43 条（npm test 共 127 条全绿），新增 5 条钉住
模式 A 的核心承诺：
· agent-inject / agent-cursor 均无 SetCursorPos 调用（查前先剥注释，
因为注释里会引用该名字解释「为什么不用它」）
· koffi 指针参数用 Buffer（普通对象不写回，会拿错 hwnd）
· overlay 默认开启且可切回 real
· 自绘光标层 setIgnoreMouseEvents 穿透
核心不变量已做变异验证：注入 SetCursorPos 后判据立即转红。
另修正坐标判据方向（原判据断言 /scale 是对的，与实测相反）。
## 文档
GUI-PLAN.md 改造计划与进度的单一事实来源：已完成/待办、坐标
实测结论与踩坑、koffi 3.x 使用约定、端到端测试方法、
环境注意事项（含本机无 Go 工具链、waiter 改动未编译验证）
SERVER-HANDOFF.md 服务端需同步的部分：放开 action 白名单（schema enum
+ switch default 双重限制，不改则 11 个新动作下发不到）、
透传 tox/toy/steps/dx/ms、统一 scroll 方向语义、
写入坐标约定防重蹈
292 lines
12 KiB
Markdown
292 lines
12 KiB
Markdown
# GUI 改造计划与进度
|
||
|
||
> 本文件是 GUI（`cmd/gui`）当前改造的**单一事实来源**：做完了什么、为什么这么做、
|
||
> 哪些结论是实测得到的、哪些还没做完。
|
||
>
|
||
> 相关文档：
|
||
> - `cmd/gui/DESIGN-NOTES.md` —— 借鉴 PiDeck 的设计与实现
|
||
> - `SERVER-HANDOFF.md` —— 需要服务端同步配合的部分
|
||
> - 判据：`cmd/gui/*.test.mjs`，`npm test` 全绿为准（当前 127 条）
|
||
|
||
---
|
||
|
||
## 一、当前状态
|
||
|
||
分支：`feature/gui-starmap-pulse-vendor-align`（不合入 main）
|
||
|
||
最近提交：
|
||
|
||
| commit | 内容 |
|
||
|---|---|
|
||
| `02566f3` | 修启动期误判服务端未启动；keybd_event 类型名致组合键全废 |
|
||
| `0d8b129` | computeruse 补高级操作（两端 9→18）；修 HiDPI 坐标；记录 PiDeck 借鉴 |
|
||
| `3059c99` | 加载动画改三点式 + 新增系统通知 |
|
||
|
||
判据：`cd cmd/gui && npm test` —— **127 条全绿**（其中 `computeruse.test.mjs` 43 条）。
|
||
|
||
---
|
||
|
||
## 二、已完成
|
||
|
||
### 2.1 computeruse 能力面：9 → 18 个动作
|
||
|
||
此前 GUI 侧（`cmd/gui/main.js`）与 waiter 侧（`cmd/waiter/device.go`）都只有
|
||
9 个基础动作，与业界 computer-use 的基本盘差距明显。
|
||
|
||
GUI 侧现支持 **18 个**（已用脚本从 `main.js` 的 `case "computeruse"` 块精确提取核对）：
|
||
|
||
```
|
||
click doubleclick rightclick middleclick tripleclick
|
||
move hover drag mousedown mouseup
|
||
scroll keypress hotkey combo
|
||
type wait sleep display
|
||
```
|
||
|
||
waiter 侧（Linux）为 **20 个** —— 比 GUI 多 `middle`、`right` 两个
|
||
「button 简写形式」，少 `physical` 相关处理；其余一致。
|
||
|
||
要点：
|
||
|
||
- **拖拽分步移动**（默认 12 步，上限 60）。一步到位会让 canvas 拖拽、列表排序、
|
||
滑动条失效 —— 这类应用依赖中间 `mousemove` 事件。
|
||
- **组合键归一化**（waiter 侧 `normKeySpec`）。旧实现把模型给的 key 字符串原样丢给
|
||
`xdotool key`，于是 `"Ctrl+C"`、`"ctrl + c"`、`"CTRL-C"` **全部失效**。
|
||
- **`type` 加 `--clearmodifiers`**（waiter 侧）。避免残留的 Ctrl/Alt 把后续输入
|
||
变成快捷键。
|
||
- **scroll 修正**（两端）。旧实现固定滚 `click 4/5`，忽略方向语义也不支持横向。
|
||
|
||
### 2.2 修 HiDPI 坐标错位 ⚠️ 重要，详见第五节
|
||
|
||
截图给模型的是**物理像素**，Win32 坐标 API 在 Electron 里也是物理像素，
|
||
**不需要换算**。详见第五节的实测与踩坑记录。
|
||
|
||
### 2.3 修启动期误判「服务端未启动」
|
||
|
||
`isServerRunning()` 原硬编码 `http://localhost:8080/`。实测该部署下：
|
||
|
||
```
|
||
localhost:8080 -> 000 连不上
|
||
192.168.2.60:8080 -> 302 正常（homed 跑在 WSL 里）
|
||
```
|
||
|
||
于是每次启动都：探测失败 → 误判服务没起 → 拉起 GUI 旁并不存在的 `homed.exe`
|
||
→ 干等 8s 超时 → 打印 `homed failed to start within timeout`。
|
||
该 ERR 曾累计出现数十次（实测 40+ 次，日志轮转后计数会变），
|
||
且是 `gui.log` 里唯一的错误项。
|
||
|
||
改法：按 `connections.json` 里已配置的连接（当前优先）探测，命中即在线；
|
||
服务可达时跳过 homed 自动拉起；无本地 homed 可执行文件时不再空等超时。
|
||
|
||
实测验证：修复后启动日志为 `server reachable, skip homed autostart`，该 ERR 消失。
|
||
|
||
> 这条很可能就是此前「聊天链路有问题」的根因 —— GUI 自以为服务端由自己托管，
|
||
> 实际聊天依赖的是 `connections.json` 里的连接。
|
||
|
||
### 2.4 修 keybd_event 类型名致组合键全废
|
||
|
||
koffi 不认 Win32 头文件里的 `byte`：
|
||
|
||
```
|
||
"void keybd_event(byte bVk, ...)" -> Error: Unknown or invalid type name 'byte'
|
||
"void keybd_event(uint8 bVk, ...)" -> 正常
|
||
```
|
||
|
||
原代码用的正是 `byte`，且整段包在**空 catch** 里，于是 `keybd_event` 恒为 null，
|
||
所有组合键返回 `keybd_event unavailable`。
|
||
|
||
这个 bug 极难发现：单键 click/move/scroll 走 `mouse_event`，完全不受影响。
|
||
现在签名解析失败会打日志，不再静默。
|
||
|
||
### 2.5 模式 A：agent 独立光标 + 后台注入（**代码已通，效果待验证**）
|
||
|
||
见第三节。
|
||
|
||
---
|
||
|
||
## 三、模式 A：agent 独立光标（进行中）
|
||
|
||
### 3.1 目标
|
||
|
||
现有 `computeruse` 走 `SetCursorPos` + `mouse_event`，**会抢走用户的真实鼠标**，
|
||
agent 一干活用户就没法用电脑。
|
||
|
||
模式 A 的目标：GUI 自绘一个 agent 专属光标（mascot 形象），实际输入通过
|
||
`PostMessage` 直接投递到目标窗口句柄，**用户真实鼠标全程不动**。
|
||
|
||
### 3.2 新增文件
|
||
|
||
| 文件 | 职责 |
|
||
|---|---|
|
||
| `cmd/gui/agent-cursor.js` | 透明置顶层窗口 + mascot 指针 + 移动/点击脉冲动画；记录上次命中的窗口句柄 |
|
||
| `cmd/gui/agent-inject.js` | Windows 后台注入：`WindowFromPoint` 定位、坐标换算、`PostMessage` 投递鼠标/键盘/滚轮/文本 |
|
||
|
||
### 3.3 配置
|
||
|
||
`gui-prefs.json` → `deviceBridge.agentCursor.mode`：
|
||
|
||
| 值 | 行为 |
|
||
|---|---|
|
||
| `"overlay"` | **默认**。不动用户鼠标，后台注入 |
|
||
| `"real"` | 旧行为，操作真实鼠标 |
|
||
|
||
### 3.4 已验证（端到端，8/8 有正确响应）
|
||
|
||
用假网关（自实现 WS 服务端）下发 computeruse 命令，GUI 执行并回执：
|
||
|
||
```
|
||
[error] agent-overlay: 该坐标下没有窗口（WindowFromPoint 返回空）...
|
||
[error] agent-overlay: type 需要先有点击类操作确定目标窗口
|
||
[ok] displays: [{...}] | coordinateSpace: physical-pixel (Win32 与截图像素一致, 无需换算)
|
||
[error] agent-overlay: unknown action __nope__
|
||
```
|
||
|
||
**结论：代码路径已接通，错误处理正确 —— 失败时明确报错，不静默回退到真实鼠标。**
|
||
|
||
### 3.5 ⚠️ 未完成：真实点击效果未验证
|
||
|
||
上面 7 个动作都报「该坐标下没有窗口」。原因是**当时的执行环境没有可供
|
||
注入的可见目标窗口**（`WindowFromPoint` 对所有坐标返回 null）。
|
||
|
||
**因此：「点击真的落到目标窗口上」这一步尚未被证明。** 需要在有交互桌面的
|
||
会话里跑一个端到端测试：
|
||
|
||
> 打开记事本 → agent 点它 → 输入文字 → 截图回读验证
|
||
|
||
同时验证「用户鼠标位置在全过程未变」。
|
||
|
||
### 3.6 设计取舍（明确的边界）
|
||
|
||
- **只对「接受窗口消息的程序」可靠。** 原生 Win32 程序（记事本、Excel、Office）
|
||
可靠；Chromium/Electron 自绘界面、多数游戏、DirectX 程序会忽略合成消息。
|
||
这是 Windows 消息模型的硬限制，**不是实现缺陷**。
|
||
- **不做真实鼠标降级。** 用户既然选择「不抢鼠标」，就不该偷偷改成操作真实鼠标。
|
||
失败即 `status=error` 并说明原因。
|
||
- **键盘类动作依赖先前的鼠标操作。** `keypress`/`hotkey`/`type` 不带坐标，
|
||
且后台注入不移动真实光标，所以 `GetCursorPos` 拿到的是**用户自己**的
|
||
光标位置。因此设备端记录「上次鼠标操作命中的 hwnd」，键盘动作投递到那里。
|
||
从未点过则报错。
|
||
|
||
### 3.7 跨平台状态
|
||
|
||
| 平台 | 状态 |
|
||
|---|---|
|
||
| Windows | 模式 A 已实现（效果待验证） |
|
||
| Linux | waiter 侧仍是 `xdotool`，**会动真鼠标**。未做模式 A |
|
||
| macOS | 同上 |
|
||
|
||
---
|
||
|
||
## 四、待办
|
||
|
||
### 4.1 优先：验证模式 A 的真实效果
|
||
|
||
- [ ] 端到端测试：打开真实应用 → 点它 → 输入 → 截图回读
|
||
- [ ] 断言全过程用户鼠标位置未变
|
||
- [ ] 判据：把该测试固化进 `npm test`（需能在无桌面 CI 环境跳过）
|
||
|
||
### 4.2 服务端配合（详见 `SERVER-HANDOFF.md`）
|
||
|
||
- [ ] 放开 `device.go` 的 action 白名单（schema enum + switch default 双重限制）
|
||
- [ ] 透传新参数 `tox`/`toy`/`steps`/`dx`/`ms`/`physical`
|
||
- [ ] 统一 scroll 方向语义（服务端写「正=向下」，Windows 惯例是正=向上）
|
||
- [ ] 把坐标约定写进注释（防重蹈 `/scale` 覆辙）
|
||
|
||
> ⚠ 不改白名单，则新增的 11 个动作**根本下发不到设备**。
|
||
|
||
### 4.3 设置页
|
||
|
||
- [ ] `agentCursor.mode` 的 UI（目前只能手改 `gui-prefs.json`）
|
||
|
||
### 4.4 可选增强
|
||
|
||
- [ ] mascot 待机动作、常驻屏幕边缘（借鉴桌宠的视觉层）
|
||
- [ ] Linux 侧若也要「不抢鼠标」，需 Wayland + uinput 虚拟设备
|
||
（X11 下做不到 —— XTEST 合成的是真实设备事件）
|
||
|
||
---
|
||
|
||
## 五、坐标空间：实测结论与踩坑记录 ⚠️
|
||
|
||
**结论：截图给模型的像素、Win32 坐标 API 的坐标，是同一个坐标系 —— 物理像素。
|
||
不要换算。**
|
||
|
||
实测证据（Electron 主进程内，192 DPI / 200% 缩放屏）：
|
||
|
||
```
|
||
Electron screen API (DIP) : 1260 x 840 scaleFactor=2
|
||
GetSystemMetrics : 2520 x 1680
|
||
SetCursorPos(200,200) → GetCursorPos 读回 (200,200) ← 恒等，不缩放
|
||
```
|
||
|
||
原因是 Electron 主进程是 **per-monitor DPI-aware**，此感知下 Win32 坐标不做虚拟化。
|
||
|
||
### 踩坑：曾经加错的 `/scaleFactor` 换算
|
||
|
||
本仓曾在 `main.js` 加过：
|
||
|
||
```js
|
||
absX = ox + rawX / scaleFactor // ← 错的
|
||
```
|
||
|
||
理由是「SetCursorPos 期望 DIP」—— **那个前提不成立**，DIP 行为只出现在
|
||
DPI-*unaware* 进程里。加了之后反而把原本正确的点击改坏：200% 缩放屏上
|
||
点 (600,400) 会被送到 (400,267)，**越靠右下偏得越远**。
|
||
|
||
已改回 `physical ? rawX : rawX * scale`，并在 `computeruse.test.mjs` 加判据
|
||
防止回退（检测 `/scale` 是否回来了）。
|
||
|
||
### 为什么会误判（重要）
|
||
|
||
**在普通 node 进程里测同一个函数，读到的是 1260×840**（虚拟化后的值），
|
||
会让人以为 Win32 用 DIP。**必须在 Electron 内测** —— 同一份代码，
|
||
不同进程的 DPI 感知状态不同，答案也不同。
|
||
|
||
同理，`python`/`go` 等非 DPI-aware 宿主里测同样不可作为依据。
|
||
|
||
---
|
||
|
||
## 六、端到端测试方法（可复用）
|
||
|
||
不依赖真实服务端，用自实现的假网关驱动 GUI：
|
||
|
||
1. 起一个最小 WS 服务端（自实现 HTTP `Upgrade` 握手 + 帧编解码）
|
||
2. 改写 `gui-prefs.json` 指向它，并置 `deviceBridge.authorized = true`
|
||
3. 启动 GUI，等 `hello` / `bind` 完成
|
||
4. 下发 `{op:"cmd", cmd_type:"homeagent", command:"computeruse {...}"}`
|
||
5. 读取 GUI 回的 `{op:"cmd_result", status, output, error}`
|
||
|
||
### 两个踩过的坑
|
||
|
||
- **服务端→客户端的帧不能加掩码。** RFC 6455 只要求客户端→服务端掩码。
|
||
照抄 GUI 主进程（客户端方向）的 `sendDeviceFrame` 会导致 GUI 解不出。
|
||
- **客户端→服务端的帧是掩码的**，解帧时必须先解掩码。
|
||
|
||
---
|
||
|
||
## 七、koffi 3.x 使用约定（踩坑记录）
|
||
|
||
| 事项 | 正确做法 | 错误做法 / 现象 |
|
||
|---|---|---|
|
||
| 类型名 | `uint8` / `int32_t` / `long` | `byte` → `Unknown or invalid type name` |
|
||
| 指针参数 | 传 **Node `Buffer`** | 传普通 JS 对象 → **不写回**，读回仍是原值 |
|
||
| 结构体 | `koffi.struct(name, {...})` 后传普通对象 | 重复 `koffi.struct("POINT")` → `Duplicate type name` |
|
||
| 字符串 | `Buffer.from(s + "\0", "utf16le")` | `koffi.alloc(str)` 把 str 当**类型名** |
|
||
|
||
**指针参数必须用 Buffer** 这条尤其重要：`WindowFromPoint` 若用普通对象，
|
||
会拿不到真实 hwnd ⇒ 点击落到错误窗口上。
|
||
|
||
跨进程/跨模块重复声明同名结构体会抛 `Duplicate type name`，需 try/catch 换名注册。
|
||
|
||
---
|
||
|
||
## 八、环境注意事项
|
||
|
||
- 本仓库文件多为 **CRLF**。用 Node 脚本打补丁时先 `replace(/\r\n/g, "\n")` 处理，
|
||
写回时按原行尾还原。
|
||
- `git status` 会把大量文件标成 `M`，但 `git diff --numstat` 显示 `0 0`
|
||
—— 那是 CRLF 归一化噪声，不是真实改动。**提交前用 `--numstat` 甄别。**
|
||
- 本机没有 Go 工具链（`go: command not found`），`cmd/waiter/` 的改动
|
||
**未经过编译验证**，需在有 Go 环境的机器上 `go build ./cmd/waiter` 确认。
|
||
- 本会话多数为无头/无交互桌面环境，`WindowFromPoint` / 真实光标相关行为
|
||
**无法在此验证**，需在有桌面的会话实测。
|