# typesafe-computer-use 部署 + 驱动 Windows VM 实测报告

- 时间：2026-10-18（北京时间，实测时段 14:49 → 15:30）
- 结论：**部署完成，冒烟测试通过**——真实的 jev 循环在 NAS 上跑，通过 Windows-MCP 控制了 Windows VM：自己点开任务栏搜索、输入「记事本」并回车打开记事本、往正文输入 hello typesafe，然后判定目标达成。
- 一句话限制：**没有用到官方 jev**（拿不到 TypeSafe 的 key），决策模型换成自建的本地兼容层 jev-compat + opencode zen 的 glm-5.3-flash；这层不是 jev，见「还剩什么」。

---

## 1. 代码在盘上

| 项 | 值 |
| --- | --- |
| 仓库绝对路径 | `/vol1/ai/typesafe-cu/typesafe-computer-use` |
| git commit | `44ca11f0935b021b73020825da054b5c92cc1288`（2026-09-29，上游 main 的 HEAD） |
| 上游 | https://github.com/awlevin/typesafe-computer-use （MIT，version 0.2.0） |
| 我们加的东西（不在上游仓库内） | `/vol1/ai/typesafe-cu/vm_adapter/`：`mcp_client.py`、`winvm.py`、`jev_compat.py`、`launch.py`、`ps/winprobe.ps1`、`ps/windows.ps1` |

上游仓库**一个字没改**：适配器是 `platform_adapter.using(adapter)` 这个官方扩展点挂上去的。

## 2. 依赖装好

```
$ /vol1/ai/typesafe-cu/typesafe-computer-use/.venv/bin/python -V
Python 3.12.14            # 用 /vol1/ai/pythons/cpython-3.12.14-linux-x86_64-gnu 建的 venv
```

关键包（`versions.py` 实测输出）：

```
typesafe-computer-use  0.2.0        mcp            2.3.0
typesafe-sdk           0.6.0        httpx          0.28.1
openai                 2.54.0       httpx2         2.13.0
anthropic              1.6.0        websocket-client 1.9.0
pillow                 12.3.0
rapidocr               3.9.2        # 便携 OCR（本机没有 macOS Vision）
onnxruntime            1.30.0
```

装法（可重复）：

```bash
cd /vol1/ai/typesafe-cu/typesafe-computer-use
UV_PYTHON=/vol1/ai/pythons/cpython-3.12.14-linux-x86_64-gnu/bin/python3.12 \
  uv sync --extra rapidocr --default-index https://pypi.org/simple
uv pip install --python .venv/bin/python --default-index https://pypi.org/simple mcp httpx
```

> 坑：本机 `/etc/uv/uv.toml` 把默认源钉在清华（TLS 已坏），`UV_INDEX_URL` **压不住它**，必须显式 `--default-index https://pypi.org/simple`。

## 3. 配置（只列键名与来源，不含明文）

配置目录 `/vol1/ai/typesafe-cu/`，配置文件的键值全在 `.env`（**非机密**）：

| 键 | 值/来源 |
| --- | --- |
| `TYPESAFE_API_KEY` | 本地占位符字串（SDK 只检查非空；真正的答案由 jev-compat 给） |
| `TYPESAFE_BASE_URL` | `http://127.0.0.1:<动态端口>`（launch.py 运行时写入，指向本地 jev-compat） |
| `JEV_COMPAT_BASE_URL` | `http://127.0.0.1:8090/zen/v1`（本机 ai-proxy，由它注入 opencode 网关的 key 与会话头） |
| `JEV_COMPAT_MODEL` / `JEV_COMPAT_REASONING` | `glm-5.3-flash` / `low` |
| `JEV_COMPAT_LOG` | `/vol1/ai/typesafe-cu/logs/jev-compat.jsonl` |
| `CLICKER_WRITER_API` / `_BASE_URL` / `_MODEL` / `_ANSWER_MODEL` / `_VISION` | `openai` / `http://127.0.0.1:8090/zen/v1` / `qwen3.8-flash` / `qwen3.8-flash` / `true` |
| `CLICKER_BROWSER` / `CLICKER_EMAIL` | `Microsoft Edge` / 空 |
| Windows-MCP 端点与密钥 | `http://127.0.0.1:18000/mcp/`；Bearer 密钥读 `/vol1/ai/windows-mcp/.mcp-key`（代码里读，不落盘、不打印） |
| 模型 key | **不在本仓库任何文件里**：运行时从 `/vol1/ai/agents/hermes/access/ai-cli-secrets.env`（`OPENCODE_ZEN_KEY` / `OPENCODE_ZEN_SESSION` / `OPENCODE_ZEN_BASE`，回退 `/vol1/ai/agents/hermes/.env` 的 `HERMES_CUSTOM_OPENCODE_API_KEY`）读取 |

## 4. 关于 jev 的 key（如实说明：**没拿到**）

1. 查了 https://docs.typesafe.ai ：jev 的真实端点是 `POST https://api.typesafe.ai/v1/systemone`，`Authorization: Bearer <key>`，body 里 `model: "jev-latest"`（现役 `jev-1.14.0` / `jev-1.13.0`），**key 只在 TypeSafe console（console.typesafe.ai/keys）里签**，是独立的付费服务（输入 $42/Btok，输出免费，只吃文本、不吃图）。本机没有 TypeSafe 账号，所以 **jev 的 key 拿不到，也不允许猜/编**。
2. 用本机 opencode zen 网关的 key 探了 `GET https://opencode.ai/zen/go/v1/models`：返回 **37 个模型**（deepseek-v4.1-flash、glm-5.3-flash、qwen3.8-max、kimi-k3、claude-haiku-5-5 …），**没有任何 jev / typesafe 变体**。opencode 网关不是 TypeSafe 的分发渠道。
3. 于是走「换端点」这条路，但不是简单地把决策模型改个名字——类型的差异在协议层：jev 吐的是 `Choice/Score/Noul` 三原语 + 概率分布。所以写了一个**本地 System One 兼容层 `vm_adapter/jev_compat.py`**，在 127.0.0.1 上实现同一套协议（SDK 用 `TYPESAFE_BASE_URL` 指过来即可，typesafe-computer-use 零改动）：
   - 决策（kind / item / site / offscreen）：`glm-5.3-flash`，`reasoning_effort=low`，一次请求把该步所有问题**打包成一次模型调用**（jev 本来就是一次调用回答整批问题；分开问会把一步拖过 SDK 的 10 秒默认超时）；
   - writer（自由文本 + 结束时读屏作答）：`qwen3.8-flash`（本机实测吃图，能正确描述 VM 截图）。
4. 结论一句话：**未使用官方 jev，原因 = 拿不到 TypeSafe 官方 key（付费账号才有），而 opencode 网关上不存在 jev**。

## 5. 架构：程序跑在 NAS，屏幕/鼠标键盘在 VM

```
NAS(Linux)                                    Windows VM(QEMU)
┌────────────────────────────┐               ┌──────────────────────────────┐
│ vm-clicker (launch.py)     │               │ winvm-mcp.service            │
│  ├─ jev-compat HTTP :8xxx ─┼──openai API──▶│ Windows-MCP (127.0.0.1:18000)│
│  │   (TypeSafe 协议兼容层) │   ai-proxy    │  ├ Screenshot（1920x1080）   │
│  ├─ winvm.py 适配器 ───────┼──MCP 工具────▶│  ├ Click / Type / Shortcut   │
│  │   (Desktop 协议 26 个方法)              │  ├ PowerShell（跑探针脚本）  │
│  └─ typesafe-computer-use  │               │  └ FileSystem（投递脚本）    │
│      (未改动的上游循环)     │               │ C:\typesafe\winprobe.ps1     │
└────────────────────────────┘               └──────────────────────────────┘
```

- 为什么不在 VM 里跑：上游的 Windows 适配器要用 UI Automation/SendInput/Windows.Media.Ocr，而 Windows Server 2022 上装英文 OCR 语言包基本是死路（Server SKU 要 Features-on-Demand 介质）；NAS 侧跑 + RapidOCR 是本项目为 Linux 驱动远程机准备的现成路径（`ocr_rapid.py`）。而且 NAS 侧改代码/看日志不用来回传文件。
- `vm_adapter/winvm.py` 实现了上游 `Desktop` 协议的每个方法，屏幕用 Windows-MCP 的 Screenshot，OCR 用 RapidOCR，光标/前台窗口/焦点控件/UI 树用投进 VM 的 `C:\typesafe\winprobe.ps1`（PowerShell 读 UI Automation）。
- `platform_adapter.using(winvm)` 是上游文档里「驱动一台远程电脑」的官方扩展点。
- 跑测试前把 VM 桌面清干净（`win+d`，因为 jev 只读**最前台窗口**那块屏）；跑完已把微信开发者工具恢复到前台。

## 6. 冒烟测试：真跑一次，留证

### 6.1 完整命令

```bash
cd /vol1/ai/typesafe-cu
./vm-clicker --selftest                       # 逐环节体检（9 项全 OK）
./smoke.sh smoke-final "打开记事本，在里面输入 hello typesafe" --act --steps 20 --delay 1 --handoffs 3
# smoke.sh 就是：nohup ./vm-clicker "<goal>" --out /vol1/ai/typesafe-cu/runs/smoke-final --act ...
```

等价直接命令：

```bash
cd /vol1/ai/typesafe-cu && ./vm-clicker "打开记事本，在里面输入 hello typesafe" --act \
  --steps 20 --delay 1 --handoffs 3 --out /vol1/ai/typesafe-cu/runs/smoke-final
```

### 6.2 stdout（`/vol1/ai/typesafe-cu/logs/smoke-final.log`）

```
[launch] 2026-10-18 15:26:31  model_key=yes  model_base=http://127.0.0.1:8090/zen/v1
[launch] jev-compat on 127.0.0.1:8899  model=glm-5.3-flash  log=/vol1/ai/typesafe-cu/logs/jev-compat.jsonl
[launch] adapter=http://127.0.0.1:18000/mcp/  probe=C:\typesafe\winprobe.ps1
writer: http://127.0.0.1:8090/zen/v1 (openai API)  models: qwen3.8-flash (writing), qwen3.8-flash (answering)
run folder: /vol1/ai/typesafe-cu/runs/smoke-final
driving the machine. abort: slam the mouse into the top-left corner of the VM screen.

step 1: app='explorer' field=:'FolderView' url=None items=12 ax=0 offscreen=0 kind=click_item (0.85) site=none
   0.85  click_item
   0.02  use_browser
   0.02  type_text
   0.02  press_enter
  item (0.70):
   0.70  [7] '在此键入进行搜索'
   0.03  [0] '回收站'
   0.03  [1] '微信开发者工'
   0.03  [2] '具'
  did: clicked '在此键入进行搜索'
  timing: capture 1.58s  screenshot 0.15s  app 0.58s  window 0.00s  field 0.85s  url 0.00s  ocr 2.48s (100% of screen)  ax 1.33s  decide 6.97s  act 1.12s  total 13.72s

step 2: app='SearchApp' field=AXTextField:'搜索框' url=None items=14 ax=9 offscreen=0 kind=type_text (0.90) site=none
   0.90  type_text
  item (0.70):
   0.70  [12] '搜索框'
  did: typed '记事本' into '搜索框' via keystrokes and pressed Return
  timing: capture 1.56s  screenshot 0.15s  app 0.61s  window 0.00s  field 0.80s  url 0.00s  ocr 0.69s (62% of screen)  ax 0.92s  decide 8.02s  act 8.93s  total 20.32s

step 3: app='notepad' field=AXTextArea:'' url=None items=11 ax=0 offscreen=0 kind=type_text (0.95) site=none
   0.95  type_text
  did: typed 'hello typesafe' into '' via keystrokes (verified 1.00)
  timing: capture 1.61s  screenshot 0.16s  app 0.59s  window 0.00s  field 0.86s  url 0.00s  ocr 0.87s (58% of screen)  ax 0.95s  decide 5.36s  act 21.89s  total 30.84s

step 4: app='notepad' field=AXTextArea:'hello typesafe' url=None items=11 ax=0 offscreen=0 kind=done (0.95) site=none
   0.95  done
  model says 'done'; stopping

answer (goal achieved, 6.2s):
  记事本已经打开，里面也成功输入了“hello typesafe”。
calls: classifier 5 (62%, 42.5s)  writer 3 (38%, 17.5s)  handoffs 0  questions 0
run folder: /vol1/ai/typesafe-cu/runs/smoke-final
[launch] jev-compat served 13 question batch(es), 0 error(s)
```

（上面删掉了重复的概率行；完整原文在日志文件里，未删减。）

**这一步值得注意**：4 步里没有一步是我们替它做的——点搜索框、输入「记事本」、回车、往正文打字，全是 jev 循环自己决定的；第 3 步打完还自己验了（`verified 1.00`），第 4 步自己判定 `done` 并停下。

### 6.3 运行记录（run.json 实测）

```json
"goal": "打开记事本，在里面输入 hello typesafe",
"act": true, "steps_taken": 3, "outcome": "done", "goal_achieved": true, "seconds": 84.8,
"calls": {"classifier": {"calls": 5, "share": 0.625}, "writer": {"calls": 3, "share": 0.375}},
"usage": {"jev-compat:glm-5.3-flash": {"requests": 5, "input_tokens": 19174, "output_tokens": 464},
          "qwen3.8-flash": {"requests": 3, "input_tokens": 4758, "output_tokens": 712}},
"timing": {"mean": {"capture": 1.583, "field": 0.832, "ocr": 1.012, "ax": 1.0, "decide": 7.019, "act": 7.985, "total": 18.79}}
```

### 6.4 证据文件

| 内容 | 绝对路径 |
| --- | --- |
| 测试结束时的 VM 截图（记事本里就是 hello typesafe，状态栏「第 1 行，第 15 列」） | `/vol1/ai/agents/hermes/images/typesafe-cu-记事本冒烟测试通过-20261018-152846.png` |
| 同一张图的归档副本（vmctl.py Screenshot 的落盘目录） | `/vol1/ai/windows-mcp/evidence/typesafe-cu-smoke-pass-20261018-152846.png` |
| 逐步证据（每步一张标注截图 + 送给模型的状态 + 收到的答案） | `/vol1/ai/typesafe-cu/runs/smoke-final/step-00N-{png,raw.png,payload.txt,answers.json}` |
| 完整 stdout | `/vol1/ai/typesafe-cu/logs/smoke-final.log` |
| 决策层每次问答的流水（问题名/选项/答案/置信度/耗时） | `/vol1/ai/typesafe-cu/logs/jev-compat.jsonl` |
| 过程截图（清桌面、搜索、搜索结果、打完字） | `/vol1/ai/windows-mcp/evidence/typesafe-cu-*.png` |

## 7. 实测输出：体检与环境事实

```
$ ./vm-clicker --selftest
OK   mcp connect      0.0s  connected; tools=20
OK   screenshot       0.2s  1920x1080
OK   probe: window    0.6s  explorer                    # 桌面前台时"有效窗口"=任务栏
OK   probe: cursor    0.6s  {'ok': True, 'x': 660, 'y': 1050}
OK   probe: focused   0.9s  ControlType.Pane
OK   probe: tree      0.8s  16 nodes
OK   ocr              2.8s  13 OCR lines; first='回收站'
OK   adapter: capture 4.3s  app='explorer' field=True window=(0.0, 1020.0, 1920.0, 60.0) items=13
OK   jev-compat       3.0s  chose 'click_item' at 0.80 via glm-5.3-flash
```

- VM 屏幕：1920x1080（**Windows 侧 DPI 缩放 150%**，见坑 2）；截图与点击同一坐标空间，实测点击 (960,540) 落点一致。
- 单步耗时均值（4 步）：18.8s，其中拍照 1.6s、焦点 0.8s、OCR 1.0s、UI 树 1.0s、决策 7.0s、动作 8.0s。动作里慢的是打字（剪贴板+Ctrl+V+回车，约 9~22s）。
- 成本：整次任务决策侧 5 次请求 / 19,174 输入 token；writer 3 次 / 4,758 输入 token（都走本机 ai-proxy，没额外 key）。

## 8. 踩的坑（按踩到时序，附解法）

1. **Windows-MCP 的 PowerShell 工具命令行有长度上限**：把 7KB 脚本 base64 后当 `-EncodedCommand` 送进去报 `WinError 206 文件名或扩展名太长`（约 18K 字符就爆）。→ 脚本用 `FileSystem(write)` 落到 `C:\typesafe\*.ps1`，再用 `-File` 调（每次调用只剩几十字符）。
2. **DPI 虚拟化**：PowerShell/UIA 进程不声明 DPI 感知时，Windows 会把 1920x1080 @150% 缩放"虚拟"成 1280x720——于是同样的窗口，探针报 1250x680，截图却是 1875x1020（差 1.5 倍），OCR 区域跟着错。→ 脚本开头 `SetProcessDpiAwarenessContext(PER_MONITOR_AWARE_V2)`，再兜底 `SetProcessDPIAware()`。
3. **最小化的窗口仍是"前台窗口"**：按 `win+d` 后 `GetForegroundWindow()` 还指着已最小化的窗口，返回的是它旧的矩形 → 只读了一小块屏（当时 OCR 命中率 45%，任务栏完全看不见）。→ 探针改成"有效窗口"：前台窗口不可用（最小化/不可见）就顺 z 序找下一个可用窗口，都没有就返回任务栏（`Shell_TrayWnd`），桌面态因此能读到整屏 + 任务栏控件。
4. **`Type` 工具必须给目标，而它点一下**：Windows-MCP 的 Type 要 `loc` 或 `label` 且**先点再打**；点任务栏搜索框 = 把刚打开的搜索面板关掉，字全部打空（诊断时复现）。→ 打字改走 `Clipboard(mode=set)` + `Ctrl+V`（不碰鼠标），`Type` 只作兜底。
5. **任务的 `probabilities` 必须只含本问题的 criteria key**：模型答了个不在选项里的标签时，我们原先回 `{"none": 1.0}`，上游在日志里按自己的下标查 `by_index[key]` → `KeyError: 'none'` 直接崩。→ 非法答案时改成"用第一个真标签 + confidence 0"（等价于拒绝：循环会在 0.4 阈值处停下），另外加了宽容匹配（模型爱答 `7: '在此键入进行搜索'` 这种整行，现在能抽出 `7`）。
6. **SDK 默认 10 秒超时**：`TypeSafeClient()` 没传超时，而 jev-compat 走的是 chat 模型（一次 5~10s+），跑着跑着 `TypeSafeAPITimeoutError` 结束整轮。→ `launch.py` 里把 `typesafe_sdk._core.config.DEFAULT_TIMEOUT` 抬到 90s，并把一整套问题**打包成一次模型调用**（延迟回到 ~3-8s）。
7. **PowerShell 5.1 按 ANSI 读无 BOM 的 .ps1**：脚本里写中文注释会变乱码（有解析风险）。→ VM 侧的 .ps1 一律纯 ASCII，`deploy_scripts()` 里加了非 ASCII 检查直接报错。
8. **Notepad 的正文读不到值**：焦点控件是 `ControlType.Pane`（class=Edit），没有 ValuePattern、没有 LegacyIAccessible 值——既导致 `type_text` 被判"没有聚焦文本框"，也让打完字的校验看不到内容。→ ① class 属于 Edit 家族时映射成 `AXTextArea`；② 取值依次退：ValuePattern → LegacyIAccessible → TextPattern → `WM_GETTEXT`（实测能读回 hello typesafe）。
9. **算力和副作用**：`uv` 源被 `/etc/uv/uv.toml` 钉死清华（TLS 坏）→ `--default-index https://pypi.org/simple`；`uv pip install` 不认 `VIRTUAL_ENV`，要 `--python .venv/bin/python`；`python-urllib` 被 Cloudflare 403 → 用 openai SDK 或 curl；本机 `/vol1/ai/pythons/*` 是 uv 托管解释器，不能直接往里装包。
10. 操作类：`pkill -f vm_adapter.launch` 会把自己的 shell 一起杀（命令行长模式匹配到自己）→ 用 `pgrep -f "[v]m_adapter"`；前台跑长任务会被 180s 工具超时砍掉 → 用 `smoke.sh` 后台 + 看日志，并且必须 `python -u`（否则日志停在一半）。

## 9. 还剩什么（限制与下一步）

**必须说清楚的限制**

1. **决策层不是 jev**：jev-compat 是"用聊天模型模拟 System One 协议"。jev 是训练过的决策模型，几百毫秒给出**标定过的概率分布**；我们是问 glm-5.3-flash 选一个并自评置信度。后果：决策慢 3-20 秒/步（jev 标称 0.13-0.38s），概率不可信（只能当"模型主观把握"用），复杂界面上的选择质量明显不如 jev（本机观察到它会在搜索面板里来回点）。置信度是模型自报的，0.4 阈值因此只是个软闸。
2. **AX 动作全是降级路径**：`ax_press / ax_focus / ax_set_value / ax_value` 都返回 False——MCP 往返丢掉了元素句柄。所以"点控件"实际是"点控件中心坐标"，"写字"实际是"Ctrl+A + Delete + 剪贴板粘贴"，读值靠 `WM_GETTEXT` 兜底。对 Notepad/搜索框这种够用；控件密集或需要精确 SetValue 的界面会退化。
3. **`browser_url()` 返回 None**：没实现读浏览器地址栏，所以 classifier 永远看不到当前 URL（上游那套"URL 干净不干净"的判断因此失效）。`open_url()` 也只支持按 exe 名启动（Chrome/Edge/Firefox/Brave）。
4. **感知范围是"最前台窗口"**：这是上游设计（省钱），在桌面态我们映射成任务栏；但多窗口/多屏场景下，非前台的窗口内容是看不见的（VM 只有一个显示器，暂时无碍）。
5. **UI 树有上限**：深度 4 / 400 节点 / 每次单独一次 PowerShell 往返（约 0.6-1.3s）；深层控件（>4 层）读不到，任务栏的"开始"按钮在 UI 树里只报成无名 Pane（所以那次是靠 OCR 认出的"在此键入进行搜索"走的）。
6. **ejv 的截图动作不存在**：jev 的动作空间里没有"截图"这一项（没有那个 action）。本次验收里的截图由我用 `vmctl.py Screenshot` 取，不是 agent 自己截的。
7. **不是常驻服务**：现在是"一条命令跑一次"（`vm-clicker`），没有 systemd 单元；也没做并发保护（同一时刻只应有一个 run 驱动 VM，否则两边抢鼠标）。
8. **没做的**：没在 VM 内测上游原生 Windows 适配器（`windows.py`）——那需要 VM 里装 Python 3.12 + `uv sync` + 英文 OCR 语言包（Server SKU 大概率装不上）。如果哪天想让 jev 直接在 VM 里跑，这是唯一的阻塞项。

**下一步（如果要继续）**

- 想要真 jev：在 console.typesafe.ai 开个账号拿 key，往 `/vol1/ai/typesafe-cu/.env` 里加 `TYPESAFE_API_KEY=` 并把 `TYPESAFE_BASE_URL` 留空（或指向 `https://api.typesafe.ai`）、不要启动 jev-compat，其他一律不用改——适配器那一层不受影响。
- 想把 `ax_press` 做成真按控件：Windows-MCP 的 Click/Type 支持按 `label` 定位（它自己走 UI 树），可以把 AxNode 的 label 传过去，省掉坐标点击。
- 想常驻/定时：照 `/etc/systemd/system/winvm-mcp.service` 的样子写一个 oneshot/timer 单元即可；注意 `winvm-mcp` 与 `ai-proxy` 都要活着。

## 10. 怎么用（下次直接抄）

```bash
# 0. 前置（都已在跑，挂了就起）
systemctl is-active winvm-mcp ai-proxy

# 1. 体检（9 项：MCP/截图/探针/OCR/适配器/决策层）
cd /vol1/ai/typesafe-cu && ./vm-clicker --selftest

# 2. 清空 VM 桌面（jev 只读最前台窗口；要让它够得着任务栏就先收窗口）
./typesafe-computer-use/.venv/bin/python desk.py list        # 看当前有哪些窗口
./typesafe-computer-use/.venv/bin/python desk.py clear       # 或按标题最小化
./typesafe-computer-use/.venv/bin/python desk.py restore wyszz   # 跑完把微信开发者工具放回前台

# 3. 跑任务（默认 dry-run；真动手要 --act）
./vm-clicker "打开记事本，在里面输入 hello typesafe" --act --steps 20 --delay 1 --handoffs 3 \
  --out /vol1/ai/typesafe-cu/runs/我的任务
#   后台跑 + 实时日志：
./smoke.sh 我的任务 "打开记事本，在里面输入 hello typesafe" --act --steps 20 --delay 1

# 4. 收证据
ls /vol1/ai/typesafe-cu/runs/我的任务/          # 每步截图 + 送给模型的状态 + 答案
cat /vol1/ai/typesafe-cu/runs/我的任务/run.json # 结果/步骤/耗时/用量
tail /vol1/ai/typesafe-cu/logs/jev-compat.jsonl # 决策流水
```

换模型（不改代码，改 `.env` 或环境变量）：

```bash
JEV_COMPAT_MODEL=qwen3.8-max ./vm-clicker "..." --act      # 决策换更强的模型
JEV_COMPAT_REASONING=default ./vm-clicker "..." --act      # 放开思考（更慢更贵）
```

单独验证"打字/点击/探针"这类底层能力（不跑整轮）：

```bash
./typesafe-computer-use/.venv/bin/python probe_notepad.py   # 焦点字段识别 + 打字 + 读回
./typesafe-computer-use/.venv/bin/python probe_search.py    # 搜索框 → notepad → 回车
./typesafe-computer-use/.venv/bin/python probe_click.py     # 点击坐标空间
```

## 11. 边界确认（没碰的东西）

- 没停/重启：minecraft-fc6、cloudflared*、hermes-gateway、agents-anywhere-connector、codex-web、dsh、fc6-wiki、ledger-web、deliverd（收尾时实测：除 minecraft-fc6 外全部 active；**minecraft-fc6 自 2026-10-09 17:58 起就是 inactive**，比本次会话早 9 天，不是本次动的）。`winvm-mcp` / `ai-proxy` 全程 active。
- 没动 `/vol1/ai/账本`、`/vol1/ai/日记本`、`/vol1/ai/agents/hermes/memories/`。
- Windows VM 的镜像与端口没有暴露到公网（MCP 仍是 127.0.0.1:18000，VNC 仍是 127.0.0.1:5908）。
- VM 里新增的文件只有 `C:\typesafe\winprobe.ps1`、`C:\typesafe\windows.ps1`、`C:\typesafe\hello.txt`（探针测试）以及本报告里提到的截图；桌面窗口状态已恢复（微信开发者工具已放回前台，记事本留着不关，就是证据）。
