ARTICLE · 1381471
DeepSeek 终于长出手了:这个插件让它自己点鼠标、敲键盘,但坑得先说清
你有没有过这种时刻:月底要从一个老后台里导出三个月的对账单,那系统没有 API,只有一个丑得要命的网页,你得点七次才能导出一次。或者某个只在 Windows 上跑的客户端,每天要你手动把几十条记录抄进表格。
这种活,AI 再聪明也帮不上忙——因为它看不见屏幕,也动不了鼠标。
今天说的这个插件 dsh-windows-mcp,干的就是这件事:给 DeepSeek 装上一双眼睛和一双手。它在插件市场里 30 天下载量排第二,81 万多次,仅次于那个上下文压缩的插件。
先说结论:东西是真能干活,但它不是"装完就爽"的那种,坑比前几期写的插件都多。所以这篇我按"能干啥、什么时候动、坑在哪、安不安全"的顺序,一层层跟你捋。
一、它能干啥:一句话,让模型看见屏幕、动手操作
装上并且打开开关之后,DeepSeek 手里会多出十来个工具。名字都很直白,我挑几个你能用得上的说:
截图。它会真的把屏幕拍下来,当成一张图片塞进对话里。所以你得用一个"能看图"的模型,不然截图到它那儿会变成一段看不懂的文字。
控件清单(Snapshot)。这个比截图聪明。它不给图,给的是一份清单:当前这个窗口上有哪些按钮、哪些输入框、哪些菜单,每个叫什么名字。这比"看图猜坐标"准得多,也省 token。
点鼠标、敲键盘。点击、移动、滚轮、打字、快捷键,都有。
剪贴板。能读也能写。你觉得这没啥,但很多"把界面上的东西弄出来"的活,靠它一步就完了。
进程和注册表。列进程、启进程、杀进程;读注册表、写注册表。
弹个 Windows 通知。任务跑完了提醒你一声。
再配一个自查工具 windows_mcp_doctor,工具没出现的时候,问它就行。
具体到场景,大概是这几种:
"截个图,告诉我屏幕上现在是什么情况。"
"把那个下载窗口盯着,进度变成 100% 了跟我说一声。"
"这个报错弹窗,把里面的文字复制出来给我。"
"打开记事本,打一行 Hello World。"
注意最后这个——它不是用命令行去启动记事本,是真的在桌面上找到那个图标、点开、然后在输入框里敲字。差别在哪?差别在于,那些没有命令行入口的老客户端,它也能碰。
二、它什么时候会自己动?答案是:默认根本动不了
这是我觉得这个插件做得最讲究的一点,值得单独说。
它出厂是关着的。你装完,输入框旁边会多一个小胶囊,写着 Computer Use,显示当前注册了几个桌面工具。这个开关默认是关的。
而且这个开关只对当前这个对话生效。你在 A 对话里打开了,B 对话还是瞎的;你关掉 A 的,正在跑任务的 B 也不会突然瞎掉。新开一个会话、开另一个窗口、重启软件——统统回到"看不见"的状态。
关掉也不是"劝它别用",是硬关:那些工具会直接从模型能看到的工具列表里消失,就算它硬要调用,也会在派发那一步被拦下来。不用重启,下一轮就生效。
还有一层设计我挺喜欢,叫"惰性工具"。十八个工具的说明书,每一轮对话都要重新算一遍 token,哪怕你压根没打算碰桌面。所以它默认只给模型一个入口,叫 windows_desktop。模型真要用的时候,调一下这个入口,工具才展开。你不用的时候,成本接近于零。
所以"会不会不该用的时候乱调用"这个问题——默认情况下它连工具都看不见,谈不上乱调用。真正需要你操心的是你自己忘了关。
三、比不用它,省事在哪
以前让 AI 操作电脑,基本三条路,各有各的难受:
第一条,截图 + 让模型看图猜坐标。 慢,而且脆。分辨率一变、窗口一挪、系统缩放不是 100%,坐标就全偏了。模型每次都得重新"看"一遍,还经常看错。
第二条,自己写 PowerShell 脚本,调 Windows 的 UI Automation 接口。 稳是稳,但写起来是真痛苦:找控件、等加载、处理弹窗,一个界面写一下午。
第三条,用商业的 Computer Use 产品。 体验通常不错,但要订阅,要联网,你的屏幕内容要过别人的服务器。
这个插件走的是第二条路的技术,但把痛苦那部分包掉了。它底层接的是 CursorTouch 的 Windows-MCP,用的是 Windows 自带的 UI Automation——就是屏幕阅读器读界面的那套接口。所以模型拿到的不是"一张图",是"这个按钮叫导出,那个输入框叫金额"这种结构化信息。
顺带说一句,它自己没有重新实现一遍协议,只是往 DSH 内置的 MCP 桥接上挂了一行配置。作者管这叫"载体包",我觉得这个说法挺诚实——真正的桌面自动化是上游干的,它只负责接线。
四、坑,这一段最长,请耐心看
前面说得挺好,现在泼冷水。这个插件的坑,是我写这七期以来最多的一个。
第一,只支持 Windows 10/11。 Mac 和 Linux 用户到这里就可以关了。之前几期推荐的插件大多跨平台,这个不是,别抱幻想。
第二,装完第一次是"没有工具"的状态,这不是坏了。 它的桥接行出厂是 disabled: true,故意的。因为第一次启动要从 PyPI 拉 Python 依赖,网慢的时候能卡在"Loading plugins…"好几分钟——插件不该有本事把宿主卡死。所以正确的流程是:装插件 → 重启 → 去 设置 → Desktop 点"下载并安装" → 再重启一次。两步重启,少一步就是没工具。
第三,它依赖 uv。 安装那一步要用。DSH 自己启动不需要它,但没有它你装不上依赖。国内网络的话插件会自己测七个源(PyPI、中科大、阿里云、腾讯云、华为云、南大、清华 TUNA),挑最快的用,这点做得比大多数插件细。
第四,Windows 的 UI Automation 会抽风。 症状是 Snapshot 说找不到窗口、找不到元素,Click 和 Type 都报成功但屏幕上啥也没发生。这是上游的已知问题(CursorTouch/Windows-MCP#607),不是插件的锅。注销重登 Windows 或者重启,通常能恢复。
第五,你自己碰一下鼠标,它就不干了。 上游的逻辑是:最近 10 秒内检测到真实的人手输入,就认为你收回了控制权,所有工具全部拒绝,连截图都不给。所以让它干活的时候,手离开鼠标键盘十几秒。第一次遇到会以为坏了。
第六,高分辨率屏上坐标会偏。 截图默认被缩到 0.75,所以图上量的坐标和屏幕上真实的位置对不上。插件会在截图时打印一个 Screenshot Coordinate Scale,你得把坐标乘回去;或者把缩放设成 1.0(慢一点,但所见即所得)。另外上游截图上限是 1920×1080,4K 屏上字会糊。
第七,"启动应用"这个工具默认被禁掉了。 上游自己说得很明白:只在英文版 Windows 上可靠。中文系统别指望它。
第八,模型必须支持图片输入。 不然截图功能等于废的,只能用文本的控件清单。
第九,上游的"看门狗"默认是关的。 因为那个 UIA 事件监听偶尔能把整个进程带崩(上游 #332)。关掉看门狗意味着:万一真崩了,没有自动重启,就是崩了。
第十,重装会失败。windows-mcp.exe 正在跑着,Windows 会锁住这个文件,就地重装会把环境删一半然后卡住,报 uv exited with code 2。得先切到另一个版本、或者把桥接禁用、重启,再装。
第十一,也是最需要你调整预期的:它是概率性的,不是 RPA。 有位博主拿 Electron 应用做过一轮实测,结论挺实在:UIA 查询偶尔会抛瞬时 COM 错误(20 轮里 3 轮);菜单展开动画还没结束就点,点击会被吞掉——他加了"等 0.6 秒再点",首次失败率从 4/20 降到 2/20,没有归零。也就是说,它会点空。你得接受"点一下、看一眼、不对再点一次"这种节奏。
这一条决定了它的定位:它是帮你省力气的,不是替你保证正确率的。 真要那种一次都不能错的批量操作,还是老老实实写脚本。
五、要你额外准备什么
不多,但缺一不可:
Windows 10 或 11; DSH 桌面版 0.2.0-rc.2 或更新(要有内置的 MCP 桥接); uv,装在能跑 DSH 的那个进程的 PATH 里;一个能看图的模型; 能连上 PyPI 或国内镜像(安装依赖时用,装完就不用了)。
不需要登录别的账号,不需要填 API 密钥,不需要注册。
至于"它能读你本地哪些文件"——有意思的是,它自带的文件读写工具默认被排除了,因为 DSH 本来就有文件工具,重复了没意义。所以它能碰的是:屏幕上看得到的东西、剪贴板、进程列表、注册表。真正读文件的还是 DSH 自己那套,权限还是你原来设的那套。
六、安全吗?这里我把原文抄给你
这类插件,"安全"这个词得拆开看。先看项目方自己怎么写的,我直接翻原文:
默认不暴露网络。 默认那一行是 stdio:一个用管道连着的子进程,不是监听端口。
子进程的密钥卫生。 桥接启动 MCP 子进程时用的是清洗过的环境:名字里带
KEY、PASSWORD、SECRET、TOKEN的变量,以及全部DSH_*变量,都会在合并配置前被移除。
这个插件没有遥测。 上游自己的 PostHog 上报,在出厂默认里被显式关掉了。
开关的翻转是窗口的决定,不是网络的决定。 每一个会改变状态的接口,都要求 DSH 窗口在启动握手时拿到的那枚签名 cookie;没有就返回 401。脚本、curl、或者一个有 shell 权限的模型,没法给自己开桌面控制。
最后这条我很在意,因为它堵住了一个很现实的漏洞:模型要是能自己给自己开权限,那"默认关闭"就是个笑话。它这里是真的堵上了。
还有一句官方原话,我建议你记住:
这个插件把鼠标、键盘、剪贴板、进程和注册表交到模型手里。装它,等于把这个桌面会话的控制权交出去。
所以我的看法是:它的安全边界不在"它会不会偷偷传你的文件",而在"你什么时候按下那个开关,按下之后让它干什么"。用完就关,是唯一靠谱的习惯。
另外有个小细节:某些部署(无头主机、Electron 的 file:// 模式)根本没法验证那枚 cookie,插件会老实报告 gate: unobservable,而不是假装自己安全。这种"承认自己不知道"的设计,比拍胸脯保证可信。
七、麻烦不麻烦,要不要花钱
安装,桌面版两步:
设置 → 插件 → 添加 dsh-windows-mcp→ 重启 DSH;设置 → Desktop → 点"下载并安装" → 再重启一次。
命令行(非 Electron 的 profile):
dsh plugin --profile web add dsh-windows-mcp从 GitHub 装的话:
dsh plugin --profile web add github:helloHub1212/dsh-windows-mcp第一次会被 pnpm 拦一下,报 ERR_PNPM_GIT_DEP_PREPARE_NOT_ALLOWED 或 ERR_PNPM_IGNORED_BUILDS——因为它要在安装时跑构建脚本。dsh 会告诉你往 pnpm-workspace.yaml 的 allowBuilds 里加哪个 key,加上再跑一遍就行。这里提醒一句:允许构建脚本等于允许它在你机器上执行代码,只装你信得过的源,最好钉死 commit。
有个小陷阱:Electron 桌面版独占 desktop 这个 profile,命令行对它的所有命令都会被拒绝,包括只读的。桌面版只能用图形界面装。
稳定性: 装好之后大约 1.5 秒就绪(这是作者自测,Windows 11 + 0.2.0-rc.2),启动时不再联网。它不会拖慢 DSH 启动——这点设计得对。但 UIA 那一层稳不稳,不归它管。
花钱吗? 不花。插件 MIT,底层 Windows-MCP 也是 MIT。你花的是模型 token——而且截图挺贵,一张图几百到上千 token。所以它默认把截图缩放设成 0.75,默认开惰性工具,都是在帮你省。
八、适合你吗?我给个明确的
适合,如果你:
用 Windows,且工作里真的有"没有 API 的老系统、只能靠界面点的桌面客户端"; 想让 AI 帮你盯屏幕、抄界面上的数据、跑一些重复点击; 愿意花十分钟折腾一次环境(装 uv、重启两遍)。
不适合,如果你:
用 Mac 或 Linux——直接放弃; 想装完就能用、不愿打开设置页; 要做那种一次都不能错的批量操作——它做不到,写脚本吧; 这台机器上有敏感数据,而你又没有"用完就关"的习惯。
一句话总结: 装上它,DeepSeek 多了一双能看屏幕的眼睛和一双能点鼠标的手,Windows 上那些没有接口的老系统终于能被 AI 碰到了;东西是真好用,但只支持 Windows、要装 uv、得重启两次,而且会因为系统抽风、你碰了鼠标、屏幕缩放这些原因时不时点空,得有点耐心;安全设计算讲究(默认关闭、无遥测、开关要窗口 cookie),但它本质上是把桌面控制权交出去,风险在你按开关的那一刻;插件和底层都免费,花的是截图吃掉的 token。
小编点评:
我挺喜欢这个插件的一个地方,是它敢于"出厂关着"。很多工具为了让你觉得好用,默认把权限开满,用户根本不知道自己交出去了什么。这个反过来——你得先装依赖、再重启、再手动把开关拨开,三道坎,每一道都在提醒你"这是你自己选的"。
但我也得说句实话:它离"可靠的自动化"还有距离。它是"省力气",不是"保正确"。如果你的活是"帮我把这三十条记录抄进表格,抄错一条我要重来",那它现在还不太行。
顺带一提,这期是第七期了。前面写过免 key 联网搜索、上下文压缩、九大 IM 遥控、删库防护网、视觉外挂,插件市场里 11744 个插件,我一个个挑着试。你要是有什么想让我拆的,留言告诉我,我去看你说的那个。
觉得有用的话,点个关注。下期见。
本文基于插件市场详情页(dsh-windows-mcp,helloHub1212,MIT,npm 0.2.11)、GitHub README 与 Security 章节、上游 CursorTouch/Windows-MCP 的已知问题记录,以及第三方实测文章整理。文中标注"项目方说法""作者自测"的部分为项目方口径,未经独立复现。















































































