Files

T

butubb 73895f7233 feat(任务): 录制手势改成**纯录制回放**（真手指轨迹）+ 手机端 getevent 录制

用户反馈：录制出来的滑动又被套上滑动那套逻辑（方向/幅度/拟人重新生成），
"导致滑动还是不顺畅"。录制就该是录制——按录下的路径与时间原样重放。

- 新步骤 `gesture`「录制手势」：存完整轨迹点列 `[[x,y,t_ms],…]`，
  回放时原样交给设备（`d.swipe_points(points, duration)`），不做任何加工。
  与 `swipe` 是两套东西（滑动是参数化的，录制是点列）。
- core/gesture.py（新）：
  · 手机端录制 `PhoneRecorder`：`getevent` 读**真触屏**设备（自动挑 fts_ts 这类、
    排除 uinput/vitural-sar 等合成节点），解析两套协议（BTN_TOUCH / ABS_MT_TRACKING_ID）；
    **合成的注入事件不会出现在真触屏节点上**（实测），所以录到的只有人手的动作；
  · 点列清洗：按 ≥16ms 抽稀但**末点必留**（快划时不能把收尾丢了）；
  · 回放**一次调用**而不是逐点注入：实测这台设备单次触摸 RPC ≈190ms，
    逐点回放 20 点要 3.8 秒——只能让设备自己插值，"时间"由点密度还原。
- 接口：POST /api/gesture/record/{start,stop}（需设备权限；重复开始返回 409）。
- 「录制手势」步骤卡片：录到就回填（手机上录 / 网页上录），显示点数/时长；
  **滑动步骤上的「录制手势」按钮已移除**（按用户要求，录制不再走滑动逻辑）。
- 录制前自动唤醒设备：**息屏时 u2 抓 UI 树会从 3 秒退化到 65 秒**（实测），
  截图也是黑的——这是本次排查最耗时的坑，已写进文档。

自测：假设备单测（点列/时长/抽稀/失败退回直线，10 项）；
无头浏览器 + CDP 真模拟拖动 → 录到 14 点/605ms 并按实际轨迹回填；
手机录制接口起停/重复拦截；
真机回放：用录下的轨迹跑任务 → 步骤 `gesture ok`。
⚠️ 手机端"真手指轨迹"这一段需要人真的去划才能端到端验证（我没有手指）。
文档：TASK_DEV §3.2（两套东西对比 + 三个坑）、步骤表 21 种、API、README。

2026-09-20 15:04:21 +08:00

12 KiB

Raw Blame History

AI 控制台（AI_CONSOLE）

适用读者：使用 AI 控制台的人 + 改这部分代码的开发者。相关文档：API.md §12（接口）、MCP.md（AI 用的工具层）、AI_TASK_GEN.md（"一句话建任务"的设计稿，尚未实现）。

1. 它是什么

「AI 控制台」是后台的一个顶级 Tab（仅管理员），下面有两个子分栏：

子分栏	做什么	文档
💬 聊天	选一台设备用自然语言下指令，AI 通过 MCP 工具看屏幕、点按、输入，边做边把过程和结论流式显示出来（本文内容）	本文
🧭 AI 建任务	描述"要什么样的自动化"，AI 自己在真机上探索（看屏/读元素树/点按验证），把走通的路径写成一条可调度任务，校验后交人工在步骤编辑器确认	AI_TASK_GEN.md

两个子分栏共用同一个运行槽（全平台同时只允许一个 Agent 运行）：建任务在探索时，聊天页会显示"● 建任务探索中"并禁用发送，反之亦然。

你：「打开小红书搜索苏州好吃的饭店，把前 5 条列出来」
AI：de_list_devices → de_screenshot → de_tap_text("搜索") → de_type_text("苏州好吃的饭店")
    → de_screenshot → de_ui_tree → … → 汇总结论（Markdown 表格）

两个"自进化记忆"让它越用越顺：

记忆	存什么	怎么产生	怎么用
🧠 经验库	任务级操作配方（这一步该怎么做）	一轮任务成功后由模型蒸馏	相似任务开始时召回注入 system prompt
🎬 动作库	命名动作（可复用的动作单元，带元素定位）	从成功步骤蒸馏，禁坐标	相似任务开始时召回注入，可直接复用定位

2. 使用

2.1 配置（首次必做）

右上角 ⚙ 配置：

项	说明
API Base	OpenAI 兼容地址（默认 `https://api.deepseek.com`）
模型名	如 `deepseek-v4-flash-vision-exp`（需支持视觉，因为要看截图）
API Key	只存数据库 `app_meta`，回显打码
默认设备	不选目标设备时用它
最大步数	1-200，默认 40（每轮模型调用算一步）

配置存在数据库（app_meta 的 agent_* 键），不在 .env。CLI（mcp_agent/cli.py） 走的是环境变量 AGENT_*，两套互不影响。

2.2 跑一轮

选 🎯 目标设备（AI 只操作你选定的设备；有任务在跑的设备不可选）
输入指令，Enter 发送
右侧「📺 实时画面」自动跟随 AI 操作的设备（MJPEG）
中途可「■ 停止」（下一个检查点生效，通常几秒内）
刷新/换窗口：会话与运行状态都会自动恢复（见 §3.3）

2.3 会话管理

左侧会话列表 = 多轮对话（DeepSeek 风格）：不同话题建不同会话，历史消息会作为上下文续上（最近 12 轮）。会话条目上显示 ID（前 8 位，点击复制），便于反馈问题时引用 conv=<id>。

3. 机制

3.1 执行链路

POST /api/agent/run            web/agent_api.py 起后台线程（单实例：同时只允许一个）
        │
        ├─ 经验召回 _find_experiences(prompt)   ─┐
        └─ 动作召回 _find_actions(prompt)        ├─ 拼成 extra_context 注入 system prompt
                                                 ┘
        ▼
mcp_agent.Agent.run_stream(prompt, serial, history, on_delta, on_tool, on_usage, …)
        │  循环（最多 max_steps 轮）：
        │    ① 流式调模型（OpenAI 兼容 /chat/completions）
        │    ② 有 tool_calls → 执行 MCP 工具 → 结果回灌 → 继续
        │       截图工具的结果会转成 image_url 追加，模型"看得见"
        │    ③ 无 tool_calls → 本轮即最终回答
        ▼
   事件 → queue → SSE /api/agent/stream → 前端

一轮整体超时 900 秒；达到步数上限会让模型做一次收尾总结
工具调用由 MCP Server 执行（:8033），后者再调平台 HTTP 接口/直连设备
设备忙时拒绝：目标设备正在跑任务 → 409（"AI 不与任务抢设备"）
mode:"designer"（AI 建任务）走同一条链路，差别：换一套 system prompt（任务设计师）、输出上限提到 8192、不吃聊天历史、多一个平台级本地工具 submit_task （不经 MCP，服务端用 core/task_draft 校验，见 AI_TASK_GEN.md）
工具结果必须是连续的 tool 消息：一轮里若同时调了截图与别的工具，图像会攒到本轮工具消息发完后再作为一条 user 消息附上（否则模型侧会以"工具回应不足"报 400）

3.2 会话消息模型

agent_conversation.messages（JSON 数组）：

[{"role": "user", "content": "…"},
 {"role": "assistant", "content": "最终回答（Markdown）",
  "usage":     {"prompt_tokens": 3480, "completion_tokens": 126, "total_tokens": 3606, "calls": 1},
  "reasoning": "模型的推理链（最多保留 6000 字符）"}]

usage / reasoning 只用于前端展示与回看；回灌给模型的历史只取 role / content（不污染上下文预算）。

3.3 SSE 事件与刷新恢复

event	payload	前端行为
`delta`	`{"text","kind":"content"\|"reasoning"}`	正文增量渲染 Markdown；推理增量进入可折叠「💭 思考过程」
`step`	`{"tool","args","image"?}`	追加工具卡片（含缩略截图，点击放大）；伪卡片提示经验/动作命中与沉淀
`usage`	`{"prompt_tokens","completion_tokens","total_tokens","calls"}`	刷新单条消息脚注与顶栏「本会话累计」
`done`	`{"answer","usage","mode","draft"?,"warnings"?,"draft_error"?}`	最终答案 + 收尾；`mode=designer` 时带任务草稿（或草稿被拦的原因）
`error`	`{"message"}`	展示错误（MCP 不可达等已转成明确文案）

刷新/重连不丢进度：服务端事件队列保留积压，页面重新订阅（GET /api/agent/stream?run_id=）后会补发 delta/step/usage/done；EventSource.onerror 刻意不结束运行，靠自动重连续上。另外 GET /api/agent/run 提供状态快照（其他窗口/8s 轮询用）。

多页面同时看同一轮：一轮的事件用扇出（web/agent_api.py 的 _Fanout）发给每个订阅者各自的队列——两个页面都收到全量事件。不要退回"一个 run 一个 queue.Queue"：那样第二个页面一订阅，两个 EventSource 就开始瓜分同一条队列，谁先取到算谁的（2026-09-14 实测：聊天页把建任务页的 done 取走了，建任务页永远等不到草稿）。

3.4 token 统计

请求带 stream_options.include_usage，服务端在末尾 chunk 返回 usage
按「每次模型调用」累加（多轮工具调用会累加多次）；calls = 模型调用次数
个别网关不认该参数会直接 400/422 → 自动关掉并重试一次，不影响主流程（只是没有 token 数字）
展示位置：单条消息脚注（🪙 3,606 tokens（↑3,480 ↓126 · 1 次调用））+ 顶栏「🪙 本会话 3,606 tokens」

3.5 回答渲染

Markdown：自研轻量渲染器（static/admin/markdown.js，无 CDN 依赖，生产在内网）支持标题/段落/列表（含嵌套）/表格/代码块/引用/链接；先 esc() 转义再套标记，所以模型输出里的 HTML 只会显示为文本
推理链：<details> 折叠块，流式时展开、正文开始时自动收起；手动点过后不再自动改；摘要显示字数
工具卡片：每步 MCP 调用一行（工具名 + 参数 + 截图缩略）

4. 经验库

4.1 产生（蒸馏）

一轮任务成功执行过工具后，把「任务描述 + 工具序列」交给模型，提炼成一段可复用的操作配方（纯文本，不含具体坐标）。

健壮性设计（都是踩坑后加的）：

措施	原因
蒸馏调用关闭推理（`thinking: {"type":"disabled"}`）	推理模型会把 token 预算烧在 reasoning 上，导致 `content` 为空/被截断 → 经验被静默丢弃
纯文本问法 + 质量门槛	早期提示词里放了可照抄的占位示例，模型会把 `"1. …\n2. …"` 原样当配方存下来
截断容忍解析	JSON 被截断时逐个对象抢救
失败有日志	不再静默

4.2 召回

相似任务开始时按 bigram 相似度检索（阈值 + 取前 2 条），拼进 system prompt，并在对话里推一张「🧠 经验记忆」卡片（"命中 N 条同类历史经验，已注入参考"）。命中会累加 hits。

4.3 巡检（质量治理）

每日 03:47（独立 APScheduler）自动跑一轮：把经验交给模型评审，输出「保留 / 建议删除」+ 评分 + 理由，写入 experience_audit
也可在面板里手动触发
删除永远需要人工确认（巡检只打标 pending，面板上显示 ⚠ 建议删除 + 理由，人工点「确认删除」或「保留」）
「保留」会记 action='kept'，后续不再重复建议

4.4 面板

「🧠 经验库」按钮打开：列表（任务描述、配方摘要、引用次数、巡检建议）+ 删除/保留操作。

5. 动作库

5.1 与经验库的区别

	经验库	动作库
粒度	整个任务的操作套路（文字）	单个可复用动作（结构化步骤）
内容	自由文本配方	命名动作 + `steps`（编辑器 schema，带元素定位）
用途	让 AI 知道"这类任务一般怎么做"	让 AI 直接复用"打开抖音"这种动作，跳过重新探索

5.2 产生（蒸馏）

从本轮成功的步骤轨迹里提炼命名动作（如「打开抖音」）。硬约束：

禁坐标：带 click_xy 的步骤不会被沉淀（坐标换个设备/分辨率就失效）
白名单步骤类型（21 种去掉 click_xy、keep_screen、gesture）
每类型有必填参数校验（如 click 必须有选择器）
输入/产出限量：最多 10 步输入、最多 3 个动作 × 4 步
保存时服务端再校验一次，含坐标的提交直接 400

5.3 召回与使用

相似任务时按动作名/别名匹配（子串或 bigram 相似度），注入「## 可复用动作」段，并推「🧠 动作经验」卡片。AI 被提示"优先按其中的元素定位操作；若与当前界面不符，再自行截图确认"。

5.4 面板

「🎬 动作库」：查看/编辑/删除/手动新建。编辑时直接改 steps JSON（有格式说明），保存走同一套校验。

6. 配置项（`app_meta`）

key	含义	默认
`agent_api_base`	模型接口地址	`https://api.deepseek.com`
`agent_model`	模型名	—
`agent_api_key`	API Key（明文存库）	—
`agent_default_serial`	默认目标设备	空
`agent_max_steps`	最大步数（钳制 1-200）	40
`agent_task_draft`	AI 建任务最近一份草稿（JSON：`{draft, warnings, prompt, created}`，只留最近一份；不是任务，入库仍走人工确认）	空

其它常量：单轮超时 900s、推理链落库上限 6000 字符、会话消息上限 60 条、历史上下文取最近 12 轮；建任务模式（designer）输出上限 8192、单工具调用上限 40 次（mcp_agent/agent.py）。

7. 故障排查

现象	原因 / 处理
报「MCP server(8033) 不可达」	MCP 没启动：容器由 `start.sh` 拉起；本机手动 `MCP_ALLOW_WRITE=1 python -m mcp_server.mcp_server`
报模型 API 401	API Key 无效/过期 → ⚙ 配置重填
报"请先选择目标设备"	没选设备且没配默认设备
报"设备正在执行任务…"（409）	AI 不与任务抢设备：等任务结束，或去监控页停止该任务
没有 token 数字	该网关不支持 `stream_options.include_usage`（已自动降级，功能不受影响）
经验/动作没沉淀	只有成功执行过工具才会蒸馏；看 `logs/web.log` 的「经验提炼 / 动作提炼」日志
推理链看不到	模型未返回 `reasoning_content`（非推理模型），或本轮没有推理输出
界面样式/脚本异常	强刷浏览器（Ctrl+Shift+R）——`markdown.js` 等前端文件有缓存

12 KiB Raw Blame History Unescape Escape