feat(vom): enable screenshot-bound point interaction for visual surfaces

[Ljy-0827]

问题描述

VOM 可以识别 Canvas 等视觉渲染区域，但当页面没有提供可靠的可访问性语义时，无法进一步读取其中的单元格、图表节点或其他交互对象。

宿主虽然可以通过截图理解这些内容，但此前缺少一条安全、通用的方式，将截图中的局部坐标转换为实际页面交互坐标。直接使用截图坐标还会受到 iframe 嵌套、裁剪、缩放和页面位置变化的影响。

此外，一些 Canvas 应用会在鼠标移动后的下一次渲染周期才更新命中状态。如果移动和按下事件连续发送，第一次点击可能只更新悬停位置，而没有真正命中目标。

解决方案

参考 codex 的实现方法，本 PR 为 VOM 中的视觉 Surface 增加基于截图的点交互能力：

• 宿主可以截取指定 Surface，并使用截图中的局部坐标发起点击。
• 截图与当前会话、标签页、Surface、页面状态和 frame 投影绑定，避免把旧截图坐标错误地应用到已经变化的页面。
• 点击前重新校验 Surface 的位置、可见区域和页面环境；截图失效或坐标越界时明确拒绝执行。
• 统一完成截图坐标到页面视口坐标的投影，支持裁剪、缩放以及嵌套或跨域 iframe。
• 在鼠标移动和按下之间保留必要的调度边界，兼容采用异步命中检测的 Canvas 应用。
• 该能力面向所有符合条件的视觉 Surface，不依赖站点注册、应用适配器或特定的 iWiki/iTable 逻辑。
• 增加同源、跨域、嵌套 iframe 和异步 Canvas 命中的测试 fixture。

遗留局限

• BrowserSkill 不理解 Canvas 内部的业务语义，不能直接知道“第几行第几列”或某个图表节点代表什么。
• BrowserSkill 不内置视觉模型。截图内容的理解和目标坐标选择由宿主负责。
• 当前 Surface 坐标交互只支持单次左键点击，不包括双击、右键、修饰键、拖拽或手势操作。
• 截图凭证只能使用一次；页面导航、滚动、缩放、视口变化、frame 变化或 Surface 位置变化后，需要重新观察并截图。
• 点击只负责命中截图中的位置。后续是否出现输入框、菜单或其他 DOM 控件由目标应用决定；如果应用暴露了新的可访问节点，宿主应继续使用普通 VOM 交互。
• 对完全不响应合成鼠标事件、依赖特殊硬件输入或额外应用协议的页面，本方案无法保证完成交互。