pod
Other formats agents might prefer:
markdownjsonllms.txt

Agent? You probably want markdown or json, or Pod over MCP.

Reported issues for desktop-touch-mcp

Pod holds 20 of 53 problems reported by people outside the maintainer team. Issues filed by the project's own owners, members and collaborators are excluded entirely — a maintainer's release checklist is not a warning to a prospective user.

Back to desktop-touch-mcp.

Most discussed

epic(audit): LLM Operation Audit — 28 tool LLM-perspective 総点検 (Phase 2-5 tracking)

Summary

docs/llm-operation-audit.md (PR #210 で land) の Phase 2-5 を tracking する epic issue。

1.3 版で複数発見された silent-success / regression / contract drift / schema reject / foreground refusal silent regression / test residue (#173 / #196 / #198 / #202 / #204 / #208) を踏まえ、LLM agent (Claude Code 等) が tool を呼ぶ実環境視点で 動作 + 文書 contract を L5 全 28 tool 総点検する企画。

Plan body は docs/llm-operation-audit.md を SSOT 参照。

Phase 分割

  • ✅ Phase 1: Plan + template land (PR #210 で完了)
  • Phase 2:

Read the thread · 2026-05-09 · closed · 10 comments

epic(adr): Phase 4 — Windows Terminal への信頼性ある BG 入力経路 (#173 stretch)

Background

issue #173 で起票された Phase 4 (ストレッチ)。v1.3.2 (PR #174) で Windows Terminal は WM_CHAR fast-path から外され、auto-route で foreground 経路にフォールバックするようになった。これは正しい修正だが、WT 既定環境で BG (foreground-independent) 入力ができない という制約も同時に生まれた。

Phase 4 では WT に対して 再び foreground を奪わずに入力する手段を取り戻す。これは別 ADR としての検討案件、優先度は低 (workaround として foreground 経路があるため)。

候補となる代替案

A. ConPTY API 直接

  • Windows 10 1809+ で導入された Pseudo Console API (`CreatePseudoConsole`)
  • WT は内部的に ConPTY を使用しているので、外部から ConPTY ハンドル

Read the thread · 2026-05-08 · closed · 4 comments

observability: idle CPU 動向 + Win+L 後の dormant 化 + MCP 死亡経路の特定

observability: idle CPU 動向 + Win+L 後の dormant 化 + MCP 死亡経路の特定

TL;DR

dogfood 環境で「desktop-touch の CPU 負荷が高い気がする」という体感から計測したところ、3 つの観察が出た。いずれも単独では P1 級ではないが、MCP プロセスのライフサイクル / リソース挙動に対する観測経路が薄いことが共通根の可能性。先に観測経路（dormant 状態の検出・記録）を整える issue として扱いたい。

観察 1: idle baseline (2 MCP インスタンス合算) で tree CPU avg 0.65% + 60s 周期スパイク

.tmp/perf-record/record-mcp-cpu.ps1 で 2 個の MCP インスタンスのプロセスツリー (node x2 + 各 tray powershell + 各 conhost、計 6 プロセス) を 2 秒間隔 5 分サンプリング。CSV 上の "tree CPU" は **両 MCP の合算

Read the thread · 2026-05-19 · closed · 3 comments

v1.7.0 release blocked — Stage 5 dogfood degrade observations (7 items A-G)

Summary

v1.7.0 release is blocked by 7 dogfood degrades / regression candidates observed during Stage 5 (PR #326) pre-PR smoke on 2026-05-17. Three items (B/C/D) are flagged as high priority because they look like daily-use regressions that would erode user trust if shipped. This issue tracks all 7 items, narrows PR #326 to lint fix only, and coordinates per-item investigation.

Observed (2026-05-17)

ID Observation Hypothesis Priority

Read the thread · 2026-05-16 · closed · 3 comments

terminal action='run' の until:{mode:'pattern'} で、出力が改行で終わらないと \s*\n 等の末尾改行依存パターンが永久に不一致になり timeout する

概要

terminal(action='run') + until:{mode:'pattern'} で、コマンドの最終出力行が改行で終わらない場合、\s*\n のように末尾の改行を要求するパターンが永遠にマッチせず、completion.reason='timeout' まで待ち続ける。

これは #383 (until:pattern が echo 行に自己マッチする) の回避策として「パターンを厳しくする」(例 MARKER\s*\n) を試みると踏む二次的な問題。なお #383 修正後は素のマーカー (MARKER) で実出力にマッチできるようになるため、\s*\n 回避策自体が不要になり、本問題の実害は大きく下がる見込み。ただし「改行で終わらない出力 + 改行依存パターン」という組合せ自体は独立した欠陥として残る。

再現手順 (2026-05-22 実機計測 / WSL Ubuntu への SSH セッション)

terminal(action='run',
  input="sleep 2; printf 'N

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/384) · 2026-05-22 · closed · 2 comments

### feat(keyboard,docs): align keyboard.ts WT BG reject code with operation-verification-matrix §3.1 (BackgroundInputNotDelivered vs Unsupported)

## Summary

`docs/operation-verification-matrix.md` §3.1 (line 140) は **`keyboard` (action:`type` BG) → code: `BackgroundInputNotDelivered` (terminal と共有、同 channel WM_CHAR / 同症状 silent drop)** と SSOT で規定。しかし現実の `src/tools/keyboard.ts` line 815-826 / 829-834 は `canInjectViaPostMessage` の early reject (reason: `wt_xaml_pipeline` 等) を `BackgroundInputUnsupported` で返している。

Issue #195 PR では terminal.ts 側を matrix doc 整合（`BackgroundInputNotDelivered`）に修正し、test 1 (keyboard-bg-verification.test.ts:88) は 

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/198) · 2026-05-08 · closed · 2 comments

### Add `detail="som"` mode to `screenshot` for explicit Set-of-Marks requests

## Background

The `screenshot` tool currently exposes three `detail` levels: `meta`, `text`, and `image`. Set-of-Marks (SoM) overlay is produced automatically only as a fallback when UIA is blind (for apps UIA cannot introspect).

However, there are legitimate cases where SoM is useful even for UIA-friendly apps:

- Reasoning about **spatial layout** (relative positions, grouping)
- **Icon-only UIs** where text labels are absent
- Disambiguating **multiple elements with the same name/role**

To

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/26) · 2026-04-20 · closed · 2 comments

### chore: remove deprecated sourceId field from UiEntity/UiEntityCandidate

## Motivation

`sourceId` field on `UiEntity` / `UiEntityCandidate` is `@deprecated` — a legacy single-string locator shared across CDP, terminal, and UIA backends. The type-safe replacement `locator.*` (per-backend discriminated fields) already exists but callers still fall through to `sourceId`.

## Scope

- **24 files** reference `sourceId` across `resolver.ts`, `guarded-touch.ts`, `session-registry.ts`, `desktop-executor.ts`, `desktop-register.ts`, `desktop.ts`, type definitions, and tests.

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/470) · 2026-06-26 · closed · outside contributor · 1 comment

## Most recent

### feat: screenshot disk-path model — save to disk, return file refs

**Description**
Currently, screenshot responses embed images as inline base64 strings in MCP messages. This consumes significant message tokens and may hit transport limits on large screenshots.

**Solution**
Replace inline base64 with a disk-path model:
- Save images to .screenshots/ directory
- Return file refs instead of base64 payloads
- Add screenshot_query tool for read-only cache queries (by tag/window/time range)
- Add screenshot_gc tool for disk cache garbage collection with dry-run mod

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/466) · 2026-06-26 · closed · outside contributor · 1 comment

### mouse_click: homing delta correction silently disabled when window focus triggers cache overwrite

## Problem

In \src/tools/mouse.ts\, the \pplyHoming\ function has a logic ordering bug where Tier 2 (focus) calls \updateWindowCache()\ **before** Tier 1 (delta correction) runs \computeWindowDelta()\. Since \updateWindowCache\ overwrites the cached window position with the **current** position, \computeWindowDelta\ always computes a delta of \(0,0)\ — effectively disabling homing correction whenever a focus attempt was made.

## Reproduction

1. Take a screenshot via \screenshot(detail='text'

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/443) · 2026-06-06 · closed · outside contributor · 1 comment

### browser_click should prefer visible candidates when selector matches hidden duplicates

## 背景

Google Search Console の URL 検査画面を `desktop-touch-mcp` 経由で操作しているとき、同じ `aria-label` を持つ hidden / zero-size 要素と可視ボタンが同時に存在し、`browser_click(selector=...)` が hidden 側を掴んで失敗した。

実例:

```text
browser_click failed: Element has zero size (hidden or not rendered): div[aria-label="インデックス登録をリクエスト再リクエスト"]

同じ画面では、可視のボタンも存在していた。

text: インデックス登録をリクエスト
aria: インデックス登録をリクエスト再リクエスト
rect: x=828.4, y=381, width=218.6, height=36

browser_eval で getBoundingClientRect() を確認し、可視要素だけを絞って `click

Read the thread · 2026-06-06 · closed · 1 comment

terminal action='run' until:{mode:'pattern'} は複数行 input で echo 自己マッチが残る (単一行は #383 で修正済)

概要

#383 で terminal(action='run') + until:{mode:'pattern'} の echo 自己マッチを 単一行コマンド (例 cmd; echo "SENTINEL") について修正した。しかし 複数行 input（埋め込み改行を含む input）では、echo 自己マッチが残る場合がある。これは #383 以前から存在する挙動で、新規回帰ではない。

なぜ単一行のみ修正したか（構造的理由）

修正は「エコーされた input をバッファ内で locate し、その後ろだけを pattern 走査する」方式。単一行ではエコーが連続して現れるので確実に locate できる。

複数行 input では、shell/terminal がエコーを以下のように出すため、バッファだけからは「エコー境界」を確実に決められない:

  • 継続プロンプト（Bash PS2 > / PowerShell >>）が行間に挿入される。
  • conhost/pwsh は埋め込み改行を行ごとに実行し、各

Read the thread · 2026-05-22 · closed · 1 comment

terminal action='run' の until:{mode:'pattern'} がコマンドのエコーにマッチし、コマンド実行前に pattern_matched を返す

概要

terminal action='run' ＋ until:{mode:'pattern', pattern:'<X>'} を使うとき、 送信コマンドthat内にパターン文字列が含まれていると（例: 完了検出用の番兵 ...; echo "<X>"）、マッチャがエコーされたコマンド行そのものにマッチし、 コマンドが何も出力していない段階で即座に completion.reason='pattern_matched' を返してしまう。結果、実際の出力を得るには action='read' での取り直しが必要に なり、「send → wait → read を1回で」という run の利点が失われる。

これはツールのドキュメントが長時間コマンド向けに推奨している方式 （"use until:{mode:'pattern', pattern:''}"）そのものなので、 推奨パターンが自爆する形になっている。

再現手順

terminal(action='run',

Read the thread · 2026-05-22 · closed · 0 comments

feat(envelope): success-path advisory hints for tool-selection correction

feat(envelope): success-path advisory hints for tool-selection correction

背景

LLM が tool 選択を誤るパターンが定常的に観測されている。代表 case (2026-05-18 dogfood で再現):

症状: 「メモ帳に文字を書く」タスクで、LLM は以下の誤選択を行う:

  1. desktop_discover を skip して直接 desktop_act を呼ぼうとする (lease を発明 or 省略 → schema reject)
  2. desktop_act({action:'setValue', ...}) を選ぶ (entity の primaryAction='type' を読まない)
  3. 結果的に「desktop_act で文字が書けない」と判断し、keyboard(action='type', windowTitle=...) に fallback して終わる
  4. keyboard 経路は成功するので、LLM は当該 convers

Read the thread · 2026-05-18 · closed · 1 comment

ADR-018 Phase 4 — Tier 3 PostMessage (Word _WwG + WM_MOUSEWHEEL background scroll)

概要

ADR-018 scroll Tier ladder の Tier 3。Phase 1a/1b/2a/2b/3 は merge 済 (memory project_adr018_scroll_uia.md / PR #298)。Phase 4 は Tier 3 = PostMessage WM_MOUSEWHEEL を実装する塊で、UIA / CDP が届かない native アプリ (代表例: Word _WwG HWND) のスクロールを背後 (focus を奪わず) に dispatch する。

スコープ

  • src/engine/_input-pipeline.ts に postWheelToHwnd(hwnd, delta, modifiers) 追加
  • WM_MOUSEWHEEL の符号反転処理 (UIA-internal の up/down 表現 vs Win32 wParam の HIWORD 符号)
  • Word _WwG window class の調査 (`test/fixtures/word-cl

Read the thread · 2026-05-15 · closed · 0 comments

bug(modal): hasModal (タイトル regex) と blockingElement (UIA role='unknown') と evaluateModalAbove (所有関係) の判定ロジックが乖離 — 不整合シグナルが LLM を誤誘導

概要

modal の検出ロジックが API ごとに 異なるシグナル を使っており、hasModal=false なのに blockingElement が立つ／逆、という不整合シグナルが返り、LLM のオリエンテーションを誤誘導する余地がある。

API 判定ロジック 場所
desktop_state.hasModal / pageState ウィンドウタイトルの regex のみ src/tools/desktop-state.ts:547-550
desktop_act.blockingElement (isModalCandidate) UIA role: 'unknown' src/engine/world-graph/session-registry.ts:23-28
evaluateModalAbove (強度スコア) 所有関係 + className="#32770" + disabled `src/engin

Read the thread · 2026-05-15 · closed · 0 comments

enhancement(discover/capabilities): entity に UIA InvokePattern サポート情報を載せ、click_element → 失敗 → mouse_click の 1RT を削減

概要

desktop_discover が返す entity に「click_element (UIA Invoke) で押せるか / 座標クリックが必要か」のヒントがない。LLM は毎回:

  1. click_element 試行
  2. InvokePatternNotSupported で失敗
  3. mouse_click にフォールバック

という 1 ラウンドトリップを払う。

ユーザー報告（LLM 側 dogfood）

click_element が InvokePatternNotSupported で失敗するケースが頻発:

  • 設定ダイアログのナビタブ（ListItem）
  • 「編集を許可する」チェックボックス
  • 「中止」ボタン（カスタム描画？）

これらは毎回 mouse_click にフォールバック。discover の entity 情報に「invoke 可 / 座標クリック必要」のフラグが欲しい。

現状

  • EntityView (`src/tools/desktop.ts:33

Read the thread · 2026-05-15 · closed · 0 comments

bug(perception/attention): uiaCache stale を attention='stale' に反映していない — 古い actionable[] で動く silent failure

概要

UIA cache が stale（age が TTL を超え expiresInMs=0 など）でも、レスポンスの attention は ok のまま返される。LLM が古い actionable[] を信じて action してしまう silent failure。

ユーザー報告（LLM 側 dogfood）

ageMs が大きく expiresInMs=0 のキャッシュが返ってきて、実際の画面と矛盾する actionable[] が出ることがあった。uiaCached:true フラグはあるが、stale な時に自動 invalidate するかフラグを目立たせると判断しやすい。

仮説

deriveAttention() が FluentStatus の dirty/settling/stale だけを参照するため、UIA cache の age/expire を attention に合流させる経路がない。

根拠

attention 計算は FluentStatus のみ参

Read the thread · 2026-05-15 · closed · 0 comments

bug(scroll/verify): action='raw' verifyDelivery で delta が {x:null,y:null} オブジェクト形式のまま返り status='unverifiable' と二重シグナルで誤読される余地

概要

scroll(action='raw') が status='unverifiable', reason='page_end_inferred' を返す経路で、scrollObserved.delta が文字列 'unverifiable' ではなく {x:null, y:null} オブジェクト形式のまま返されるケースがある。LLM が delta オブジェクトを見て「観測手段がなかった」と読み取り、status と二重シグナルで判断を曇らせる。

ユーザー報告（LLM 側 dogfood）

Avalonia ScrollViewer に対し raw でスクロールしたが、verifyDelivery=page_end_inferred が返ってきて「ページ末端推定」と読めた。実際は 1mm しか動いていなかった。scrollObserved:{delta:{x:null,y:null}} で観測手段がなかった。

設計意図（コードコメント）

src/tools/mouse.ts:1027-1030:

Im

Read the thread · 2026-05-15 · closed · 1 comment

fix(adr-018-phase-1b): scroll Tier 1 UIA falls through for top-level HWND — add downward subtree search for ScrollPattern

概要

scroll(action='raw', windowTitle='...') で Tier 1 UIA ScrollPattern が常に Tier 4 SendInput に fall-through する。

ADR-018 Phase 1b で実装した scroll_by_wheel_at_hwnd_impl が、渡された HWND の UIA 要素から 上方向（親）のみを辿る設計のため、ScrollPattern が 子要素に存在するアプリ（メモ帳 / Windows 11 Notepad 等）で "No ScrollPattern ancestor found" を返し Tier 1 を使えない。

再現手順

scroll({ action: 'raw', direction: 'down', amount: 5, windowTitle: 'メモ帳' })

実際の結果

{
  "hints": {
    "verifyDelivery": {
      "channel":

[Read the thread](https://github.com/Harusame64/desktop-touch-mcp/issues/291) · 2026-05-15 · closed · 0 comments

The remaining reports are on [the project's issue tracker](https://github.com/Harusame64/desktop-touch-mcp/issues).