auto_control/doc/AI_CONSOLE.md

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）：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。

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

1. 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）
2. 输入指令，Enter 发送
3. 右侧「📺 实时画面」自动跟随 AI 操作的设备（MJPEG）
4. 中途可「■ 停止」（下一个检查点生效，通常几秒内）
5. 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"）

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"}	最终答案 + 收尾
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）。

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（18 种去掉 click_xy、keep_screen）
• 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

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。

---

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