2589a9c4ca
* docs: release android automation * chore(docs): update doubao docs * chore(docs): merge docs for doubao * docs(android): update * docs(site): add more android case * docs(site): update slogan and authors * docs(site): android yaml * docs(core): instruction for override config * docs(core): update readme * Update README.md * docs(core): update readme * docs(core): update readme * docs(core): update readme * docs(core): update readme * docs(core): update README and blog for Android automation support * docs(core): update android playground doc * docs(core): enhance Android integration documentation with setup instructions * docs(core): update android playground doc * docs(core): update Android integration documentation and add setup instructions * docs(core): update bridge mode title * docs(core): update yaml docs * docs(site): chore update * docs(site): update YAML documentation with setup instructions and clarify parameters * docs(core): update instructions * chore: update docs * chore: update bridge mode docs * docs(site): translate to zh * docs(site): translate error * docs(site): remove unnecessary code block in YAML automation documentation * docs(core): update blog * docs(core): update instructions * docs(core): update instructions --------- Co-authored-by: yutao <yutao.tao@bytedance.com> Co-authored-by: yuyutaotao <167746126+yuyutaotao@users.noreply.github.com>
3.6 KiB
即时操作和深度思考
从 Midscene v0.14.0 开始，我们引入了两个新功能：即时操作（Instant Actions）和深度思考（Deep Think）。
即时操作（Instant Actions）- 让交互表现更稳定
你可能已经熟悉我们的 .ai 接口。它是一个自动规划接口，用于与网页进行交互。例如，当进行搜索时，你可以这样做：
await agent.ai('在搜索框中输入 "Headphones"，按下回车键');
在接口的背后，Midscene 会调用 LLM 来规划步骤并执行它们。你可以在报告中看到整个过程。这是一个非常常见的 AI Agent 运行模式。
与此同时，许多测试工程师希望有一个更快的方式来执行 UI 操作。当在 AI 模型中使用复杂 prompt 时，一些 LLM 模型可能规划出错误的步骤，或者返回元素的坐标不准确。这些不可预测的过程时常常会让人感受到挫败。
为了解决这个问题，我们引入了 aiTap(), aiHover(), aiInput(), aiKeyboardPress(), aiScroll() 接口。这些接口会直接执行指定的操作，而 AI 模型只负责底层任务，如定位元素等。使用这些接口后，整个过程可以明显更快和更可靠。
例如，上面的搜索操作可以重写为：
await agent.aiInput('耳机', '搜索框');
await agent.aiKeyboardPress('Enter');
在报告中，你会看到现在已经没有了规划 (Planning) 过程：
使用这些接口的脚本看起来有点冗余（或者不太“智能”），但请相信，使用这些结构化的接口确实是一个节省时间的好方法，尤其是在操作已经非常明确的时候。
深度思考（Deep Think）- 让元素定位更准确
当使用 Midscene 与一些复杂的 UI 控件交互时，LLM 可能很难定位目标元素。我们引入了一个新的选项 deepThink（深度思考）到即时操作接口中。
启用 deepThink 的即时操作函数签名如下：
await agent.aiTap('target', { deepThink: true });
deepThink 是一种策略。它会首先找到一个包含目标元素的区域，然后“聚焦”在这个区域中再次搜索元素。通过这种方式，目标元素的坐标会更准确。
让我们以 Coze.com 的工作流编辑页面为例。这个页面有许多自定义的图标在侧边栏。这对于 LLM 来说很难区分目标元素和它的周围元素。
在即时操作中使用 deepThink 后，脚本会变成这样（当然，你也可以使用 javascript 接口）：
tasks:
- name: edit input panel
flow:
- aiTap: the triangle icon on the left side of the text "Input"
deepThink: true
- aiTap: the first checkbox in the Input form
deepThink: true
- aiTap: the expand button on the second row of the Input form (on the right of the checkbox)
deepThink: true
- aiTap: the delete button on the second last row of the Input form
deepThink: true
- aiTap: the add button on the last row of the Input form （second button from the right）
deepThink: true
通过查看报告文件，你会看到 Midscene 已经找到了页面中的每个目标元素。
就像上面的例子一样，deepThink 的提示词需要遵循 编写提示词的技巧。这是确保结果稳定的关键。
deepThink 只适用于支持视觉定位的模型，如 qwen2.5-vl。如果你使用的是像 gpt-4o 这样的模型，deepThink 将无法发挥作用。