#API 参考（公共部分）

#构造器

Midscene 针对每个不同环境都有对应的 Agent。每个 Agent 的构造函数都接受一组共享的配置项（设备、报告、缓存、AI 配置、钩子等），然后再叠加平台专属的配置，比如浏览器里的导航控制或 Android 的 ADB 配置。

你可以通过下面的链接查看各 Agent 的导入路径和平台专属参数：

• 在 Puppeteer 中，使用 PuppeteerAgent
• 在 Playwright 中，使用 PlaywrightAgent
• 在桥接模式（Bridge Mode）中，使用 AgentOverChromeBridge
• 在 Android 中，使用 Android API 参考
• 在 iOS 中，使用 iOS API 参考
• 如果你要把 GUI Agent 集成到自己的界面，请参考 自定义界面 Agent

#参数

这些 Agent 有一些相同的构造参数：

• generateReport: boolean: 如果为 true，则生成报告文件。默认值为 true。
• reportFileName: string: 报告文件的名称，默认值由 midscene 内部生成。
• autoPrintReportMsg: boolean: 如果为 true，则打印报告消息。默认值为 true。
• cacheId: string | undefined: 如果配置，则使用此 cacheId 保存或匹配缓存。默认值为 undefined，也就是不启用缓存。
• aiActContext: string: 调用 agent.aiAct() 时，发送给 AI 模型的背景知识，比如 "有 cookie 对话框时先关闭它"，默认值为空。此前名为 aiActionContext，旧名称仍然兼容。
• replanningCycleLimit: number: aiAct 的最大重规划次数。默认值为 20（UI-TARS 模型默认 40）。推荐通过 agent 入参设置；MIDSCENE_REPLANNING_CYCLE_LIMIT 环境变量仅作兼容读取。
• waitAfterAction: number: 每次动作执行后的等待时间（毫秒）。这让 UI 有时间稳定，然后再执行下一个动作。默认值为 300 毫秒。
• onTaskStartTip: (tip: string) => void | Promise<void>：可选回调，在每个子任务执行开始前收到一条可读的任务描述提示。默认值为 undefined。
• outputFormat: 'single-html' | 'html-and-external-assets': 控制报告的生成格式。'single-html'（默认）将所有截图作为 base64 内嵌到单个 HTML 文件中。'html-and-external-assets' 将截图保存为独立的 PNG 文件到子目录，适用于报告文件过大的场景。注意：使用 'html-and-external-assets' 时，报告必须通过 HTTP 服务器或 CDN 地址访问，无法直接使用 file:// 协议打开。这是因为浏览器的 CORS（跨源资源共享）限制会阻止从 file 协议加载相对路径的本地图片。如需在本地测试，可在报告目录下启动简易的 HTTP 服务器。进入报告目录后运行以下命令之一：
  • 使用 Node.js：npx serve
  • 使用 Python：python -m http.server 或 python3 -m http.server 然后通过 http://localhost:3000（或终端显示的端口）访问报告。
• screenshotShrinkFactor: number: 控制截图的缩放比例，以减少发送给 AI 模型的图像大小，从而减少 token 消耗。默认值为 1（不缩放）。如果将其设置为 2，则截图的宽高将缩小为原来的一半，面积缩小为原来的四分之一。你可以根据实际情况调整这个值，以在图像清晰度和 token 消耗之间找到最佳平衡点。
  • 对于移动端设备，将 screenshotShrinkFactor 设置为 2 可以在保持清晰度的同时减少 token 的消耗，但不建议设置的值超过 3，否则可能会导致图像过于模糊，影响 AI 模型的理解。
  • 对于 Web 页面，如果页面内容比较复杂或包含大量细节，不建议设置 screenshotShrinkFactor，以避免截图过于模糊。此外，如果为了让 Web 页面截图有更高的清晰度，可以配置 Puppeteer 或 Playwright 的 deviceScaleFactor 为 2，这可以让 Puppeteer 或 Playwright 按照高清屏的方式来渲染页面。

#自定义模型

modelConfig: Record<string, string | number> 可选。它允许你通过代码配置模型，而不是通过环境变量。

如果在 Agent 初始化时提供了 modelConfig，系统环境变量中的模型配置将全部被忽略，仅使用该对象中的值。 这里可配置的 key / value 与 模型配置 文档中说明的内容完全一致。你也可以参考 模型策略 中的说明。

基础示例（所有意图共用同一模型）：

const agent = new PuppeteerAgent(page, {
  modelConfig: {
    MIDSCENE_MODEL_NAME: 'qwen3-vl-plus',
    MIDSCENE_MODEL_BASE_URL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    MIDSCENE_MODEL_API_KEY: 'sk-...',
    MIDSCENE_MODEL_FAMILY: 'qwen3-vl'
  }
});

为不同任务类型配置不同模型（使用针对意图的环境变量键）：

const agent = new PuppeteerAgent(page, {
  modelConfig: {
    // 默认
    MIDSCENE_MODEL_NAME: 'qwen3-vl-plus',
    MIDSCENE_MODEL_API_KEY: 'sk-default-key',
    MIDSCENE_MODEL_BASE_URL: '.....',
    MIDSCENE_MODEL_FAMILY: 'qwen3-vl',

    // planning 意图
    MIDSCENE_PLANNING_MODEL_NAME: 'gpt-5.1',
    MIDSCENE_PLANNING_MODEL_API_KEY: 'sk-planning-key',
    MIDSCENE_PLANNING_MODEL_BASE_URL: '...',

    // insight 意图
    MIDSCENE_INSIGHT_MODEL_NAME: 'qwen-vl-plus',
    MIDSCENE_INSIGHT_MODEL_API_KEY: 'sk-insight-key'
  }
});

#自定义 OpenAI 客户端

createOpenAIClient: (openai, options) => Promise<OpenAI | undefined> 可选。它允许你包装 OpenAI 客户端实例，用于集成可观测性工具（如 LangSmith、LangFuse）或应用自定义中间件。

参数说明：

• openai: OpenAI - Midscene 创建的基础 OpenAI 客户端实例，已包含所有必要配置（API 密钥、基础 URL、代理等）
• options: Record<string, unknown> - OpenAI 初始化选项，包括：
  • baseURL?: string - API 接入地址
  • apiKey?: string - API 密钥
  • dangerouslyAllowBrowser: boolean - 在 Midscene 中始终为 true
  • 其他 OpenAI 配置选项

返回值：

• 返回包装后的 OpenAI 客户端实例，或返回 undefined 表示使用原始实例

示例（集成 LangSmith）：

import { wrapOpenAI } from 'langsmith/wrappers';

const agent = new PuppeteerAgent(page, {
  createOpenAIClient: async (openai, options) => {
    // 为规划任务包装 LangSmith
    if (options.baseURL?.includes('planning')) {
      return wrapOpenAI(openai, {
        metadata: { task: 'planning' }
      });
    }

    // 其他任务返回原始客户端
    return openai;
  }
});

注意： 对于 LangSmith 和 Langfuse 集成，推荐使用 模型配置 中介绍的环境变量方式，无需编写 createOpenAIClient 代码。如果你提供了自定义的客户端包装函数，它会覆盖环境变量的自动集成行为。

#交互方法

这些是 Midscene 中各类 Agent 的主要 API。

#agent.aiAct() 或 agent.ai()

这个方法允许你通过自然语言描述一系列 UI 操作步骤。Midscene 会自动规划这些步骤并执行。

• 类型

function aiAct(
  prompt: string,
  options?: {
    cacheable?: boolean;
    deepThink?: 'unset' | true | false;
    fileChooserAccept?: string | string[];
  },
): Promise<void>;
function ai(prompt: string): Promise<void>; // 简写形式

• 参数：

  • prompt: string - 用自然语言描述的操作内容
  • options?: Object - 可选，一个配置对象，包含：
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true
    • deepThink?: 'unset' | true | false - 当模型支持时（取决于 MIDSCENE_MODEL_FAMILY），是否开启规划阶段的深度思考能力。默认值为 'unset'（等同于省略该参数），跟随模型服务商的默认策略。当显式设置为 true 或 false 时，会覆盖环境变量 MIDSCENE_MODEL_REASONING_ENABLED 的配置。详情参阅 deepThink 说明。
    • fileChooserAccept?: string | string[] - 当文件选择器弹出时，指定对应的文件路径。可以是单个文件路径或路径数组。仅在 web 页面（Playwright、Puppeteer）中可用。
      • 注意：如果文件输入框不支持多文件（没有 multiple 属性），但是传入了多个文件，会抛出错误。
      • 注意：如果点击触发了文件选择器但没有传入 fileChooserAccept 参数，文件选择器会被忽略，页面可以继续正常操作。

• 返回值：

  • 返回一个 Promise。当所有步骤执行完成时解析为 void；若执行失败，则抛出错误。

• 示例：

// 基本用法
await agent.aiAct('在搜索框中输入 "JavaScript"，然后点击搜索按钮');

// 使用 .ai 简写形式
await agent.ai(
  '点击页面顶部的登录按钮，然后在用户名输入框中输入 "test@example.com"',
);

// 使用 ui-tars 模型时，可以使用更目标驱动的提示词
await agent.aiAct('发布一条微博，内容为 "Hello World"');

#agent.aiTap()

点击某个元素

• 类型

function aiTap(locate: string | Object, options?: Object): Promise<void>;

• 参数：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true
    • fileChooserAccept?: string | string[] - 当文件选择器弹出时，指定对应的文件路径。可以是单个文件路径或路径数组。仅在 web 页面（Playwright、Puppeteer）中可用。
      • 注意：如果文件输入框不支持多文件（没有 multiple 属性），但是传入了多个文件，会抛出错误。
      • 注意：如果点击触发了文件选择器但没有传入 fileChooserAccept 参数，文件选择器会被忽略，页面可以继续正常操作。

• 返回值：

  • Promise<void>

• 示例：

await agent.aiTap('页面顶部的登录按钮');

// 使用 deepThink 功能精确定位元素
await agent.aiTap('页面顶部的登录按钮', { deepThink: true });

// 文件上传：点击上传按钮并选择文件
await agent.aiTap('选择文件按钮', { fileChooserAccept: ['./document.pdf'] });
await agent.aiTap('上传图片', { fileChooserAccept: ['./image1.jpg', './image2.png'] });

#agent.aiHover()

仅在 web 页面中可用，在 Android 下不可用

鼠标悬停某个元素上。

• 类型

function aiHover(locate: string | Object, options?: Object): Promise<void>;

• 参数：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

• 返回值：

  • Promise<void>

• 示例：

await agent.aiHover('页面顶部的登录按钮');

#agent.aiInput()

在某个元素中输入文本。

• 类型

// 推荐用法：定位提示在前，其他选项在 opt 中
function aiInput(
  locate: string | Object,
  opt: {
    value: string | number;
    deepThink?: boolean;
    xpath?: string;
    cacheable?: boolean;
    autoDismissKeyboard?: boolean;
    mode?: 'replace' | 'clear' | 'typeOnly';
  },
): Promise<void>;

// 兼容用法：保留向后兼容性
function aiInput(
  value: string | number,
  locate: string | Object,
  options?: Object,
): Promise<void>;

• 参数：

  推荐用法：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • opt: Object - 配置对象，包含：
    • value: string | number - 必填，要输入的文本内容。
      • 当 mode 为 'replace' 时：文本将替换输入框中的所有现有内容。
      • 当 mode 为 'typeOnly' 时：直接输入文本，不会先清空输入框。
      • 当 mode 为 'clear' 时：会忽略文本内容，仅清空输入框。
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true
    • autoDismissKeyboard?: boolean - 如果为 true，则键盘会在输入文本后自动关闭，仅在 Android/iOS 中有效。默认值为 true。
    • mode?: 'replace' | 'clear' | 'typeOnly' - 输入模式。(默认值: 'replace')
      • 'replace': 先清空输入框，然后输入文本。
      • 'typeOnly': 直接输入文本，不会先清空输入框。
      • 'clear': 清空输入框，不会输入新的文本。

  兼容用法（已过时，但仍然支持）：

  • value: string | number - 要输入的文本内容。
  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选的配置对象，类型与推荐用法中的 opt 类型相同。

• 返回值：

  • Promise<void>

• 示例：

// 推荐用法
await agent.aiInput('搜索框', { value: 'Hello World' });

// 兼容用法（不推荐）
await agent.aiInput('Hello World', '搜索框');

#agent.aiKeyboardPress()

按下键盘上的某个键。

• 类型

// 推荐用法：定位提示在前，其他选项在 opt 中
function aiKeyboardPress(
  locate: string | Object,
  opt: {
    keyName: string;
    deepThink?: boolean;
    xpath?: string;
    cacheable?: boolean;
  },
): Promise<void>;

// 兼容用法：保留向后兼容性
function aiKeyboardPress(
  key: string,
  locate?: string | Object,
  options?: Object,
): Promise<void>;

• 参数：

  推荐用法：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • opt: Object - 配置对象，包含：
    • keyName: string - 必填，要按下的键，如 Enter、Tab、Escape 等。不支持组合键。可在我们的源码中查看完整的按键名称列表。
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

  兼容用法（已过时，但仍然支持）：

  • key: string - 要按下的键，如 Enter、Tab、Escape 等。不支持组合键。
  • locate?: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选的配置对象，类型与推荐用法中的 opt 类型相同。。

• 返回值：

  • Promise<void>

• 示例：

// 推荐用法
await agent.aiKeyboardPress('搜索框', { keyName: 'Enter' });

// 兼容用法（不推荐）
await agent.aiKeyboardPress('Enter', '搜索框');

#agent.aiScroll()

滚动页面或某个元素。

• 类型

// 推荐用法：定位提示在前，其他选项在 opt 中
function aiScroll(
  locate: string | Object | undefined,
  opt: {
    scrollType?: 'singleAction' | 'scrollToBottom' | 'scrollToTop' | 'scrollToRight' | 'scrollToLeft';
    direction?: 'down' | 'up' | 'left' | 'right';
    distance?: number | null;
    deepThink?: boolean;
    xpath?: string;
    cacheable?: boolean;
  },
): Promise<void>;

// 兼容用法：保留向后兼容性
function aiScroll(
  scrollParam: PlanningActionParamScroll,
  locate?: string | Object,
  options?: Object,
): Promise<void>;

• 参数：

  推荐用法：

  • locate: string | Object | undefined - 用自然语言描述的元素定位，或使用图片作为提示词。如果未传入或为 undefined，Midscene 会在当前鼠标位置滚动。
  • opt: Object - 配置对象，包含：
    • scrollType?: 'singleAction' | 'scrollToBottom' | 'scrollToTop' | 'scrollToRight' | 'scrollToLeft' - 滚动类型，默认值为 singleAction。
    • direction?: 'down' | 'up' | 'left' | 'right' - 滚动方向，默认值为 down。仅在 scrollType 为 singleAction 时生效。不论是 Android 还是 Web，这里的滚动方向都是指页面哪个方向的内容会进入屏幕。比如当滚动方向是 down 时，页面下方被隐藏的内容会从屏幕底部开始逐渐向上露出。
    • distance?: number | null - 滚动距离，单位为像素。设置为 null 表示由 Midscene 自动决定。
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

  兼容用法（已过时，但仍然支持）：

  • scrollParam: PlanningActionParamScroll - 滚动参数（包含 scrollType、direction、distance）。
  • locate?: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选的配置对象，类型与推荐用法中的 opt 类型相同。。

• 返回值：

  • Promise<void>

• 示例：

// 推荐用法
await agent.aiScroll('表单区域', {
  scrollType: 'singleAction',
  direction: 'up',
  distance: 100,
});

// 兼容用法（不推荐）
await agent.aiScroll(
  { scrollType: 'singleAction', direction: 'up', distance: 100 },
  '表单区域',
);

#agent.aiDoubleClick()

双击某个元素。

• 类型

function aiDoubleClick(locate: string | Object, options?: Object): Promise<void>;

• 参数：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

• 返回值：

  • Promise<void>

• 示例：

await agent.aiDoubleClick('页面顶部的文件名称');

// 使用 deepThink 功能精确定位元素
await agent.aiDoubleClick('页面顶部的文件名称', { deepThink: true });

#agent.aiRightClick()

仅在 web 页面中可用，在 Android 下不可用

右键点击某个元素。请注意，Midscene 在右键点击后无法与浏览器原生上下文菜单交互。这个接口通常用于已经监听了右键点击事件的元素。

• 类型

function aiRightClick(locate: string | Object, options?: Object): Promise<void>;

• 参数：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

• 返回值：

  • Promise<void>

• 示例：

await agent.aiRightClick('页面顶部的文件名称');

// 使用 deepThink 功能精确定位元素
await agent.aiRightClick('页面顶部的文件名称', { deepThink: true });

#数据提取

#agent.aiAsk()

使用此方法，你可以针对当前页面，直接向 AI 模型发起提问，并获得字符串形式的回答。

• 类型

function aiAsk(prompt: string | Object, options?: Object): Promise<string>;

• 参数：

  • prompt: string | Object - 用自然语言描述的询问内容，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回一个 Promise。返回 AI 模型的回答。

• 示例：

const result = await agent.aiAsk('当前页面的应该怎么进行测试？');
console.log(result); // 输出 AI 模型的回答

除了 aiAsk 方法，你还可以使用 aiQuery 方法，直接从 UI 提取结构化的数据。

#agent.aiQuery()

使用此方法，你可以直接从 UI 提取结构化的数据。只需在 dataDemand 中描述期望的数据格式（如字符串、数字、JSON、数组等），Midscene 即返回相应结果。

• 类型

function aiQuery<T>(dataDemand: string | Object, options?: Object): Promise<T>;

• 参数：

  • dataDemand: T: 描述预期的返回值和格式。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回值可以是任何合法的基本类型，比如字符串、数字、JSON、数组等。
  • 你只需在 dataDemand 中描述它，Midscene 就会给你满足格式的返回。

• 示例：

const dataA = await agent.aiQuery({
  time: '左上角展示的日期和时间，string',
  userInfo: '用户信息，{name: string}',
  tableFields: '表格的字段名，string[]',
  tableDataRecord: '表格中的数据记录，{id: string, [fieldName]: string}[]',
});

// 你也可以用纯字符串描述预期的返回值格式：

// dataB 将是一个字符串数组
const dataB = await agent.aiQuery('string[]，列表中的任务名称');

// dataC 将是一个包含对象的数组
const dataC = await agent.aiQuery(
  '{name: string, age: string}[], 表格中的数据记录',
);

// 使用 domIncluded 功能提取 UI 中不可见的属性
const dataD = await agent.aiQuery(
  '{name: string, age: string, avatarUrl: string}[], 表格中的数据记录',
  { domIncluded: true },
);

此外，我们还提供了 aiBoolean(), aiNumber(), aiString() 三个便捷方法，用于直接提取布尔值、数字和字符串。

#agent.aiBoolean()

从 UI 中提取一个布尔值。

• 类型

function aiBoolean(prompt: string | Object, options?: Object): Promise<boolean>;

• 参数：

  • prompt: string - 用自然语言描述的期望值，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回一个 Promise。当 AI 返回结果时解析为布尔值。

• 示例：

const boolA = await agent.aiBoolean('是否存在登录对话框');

// 使用 domIncluded 功能提取 UI 中不可见的属性
const boolB = await agent.aiBoolean('忘记密码按钮是否存在链接', {
  domIncluded: true,
});

#agent.aiNumber()

从 UI 中提取一个数字。

• 类型

function aiNumber(prompt: string | Object, options?: Object): Promise<number>;

• 参数：

  • prompt: string | Object - 用自然语言描述的期望值，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回一个 Promise。当 AI 返回结果时解析为数字。

• 示例：

const numberA = await agent.aiNumber('账户剩余的积分');

// 使用 domIncluded 功能提取 UI 中不可见的属性
const numberB = await agent.aiNumber('账户剩余的积分元素的 value 值', {
  domIncluded: true,
});

#agent.aiString()

从 UI 中提取一个字符串。

• 类型

function aiString(prompt: string | Object, options?: Object): Promise<string>;

• 参数：

  • prompt: string | Object - 用自然语言描述的期望值，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回一个 Promise。当 AI 返回结果时解析为字符串。

• 示例：

const stringA = await agent.aiString('当前列表的第一条记录的名称');

// 使用 domIncluded 功能提取 UI 中不可见的属性
const stringB = await agent.aiString('当前列表的第一条记录的跳转链接', {
  domIncluded: true,
});

#更多方法

#agent.aiAssert()

通过自然语言描述一个断言条件，让 AI 判断该条件是否为真。当条件不满足时，SDK 会抛出错误，并在错误信息中追加 AI 返回的详细原因。

• 类型

function aiAssert(
  assertion: string | Object, 
  errorMsg?: string, 
  options?: Object
): Promise<void>;

• 参数：

  • assertion: string | Object - 用自然语言描述的断言条件，或使用图片作为提示词。
  • errorMsg?: string - 当断言失败时附加的可选错误提示信息。
  • options?: Object - 可选，一个配置对象，包含：
    • domIncluded?: boolean | 'visible-only' - 是否向模型发送精简后的 DOM 信息，一般用于提取 UI 中不可见的属性，比如图片的链接。如果设置为 'visible-only'，则只发送可见的元素。默认值为 false。
    • screenshotIncluded?: boolean - 是否向模型发送截图。默认值为 true。

• 返回值：

  • 返回一个 Promise。当断言成功时解析为 void；若断言失败，则抛出一个错误，错误信息包含 errorMsg 以及 AI 生成的原因。

• 示例：

await agent.aiAssert('"Sauce Labs Onesie" 的价格是 7.99');

const items = await agent.aiQuery(
  '"{name: string, price: number}[], 返回商品名称和价格列表',
);
const onesieItem = items.find((item) => item.name === 'Sauce Labs Onesie');
expect(onesieItem).toBeTruthy();
expect(onesieItem.price).toBe(7.99);

#agent.aiLocate()

通过自然语言描述一个元素的定位。

• 类型

function aiLocate(
  locate: string | Object,
  options?: Object,
): Promise<{
  rect: {
    left: number;
    top: number;
    width: number;
    height: number;
  };
  center: [number, number];
  dpr: number; // device pixel ratio
}>;

• 参数：

  • locate: string | Object - 用自然语言描述的元素定位，或使用图片作为提示词。
  • options?: Object - 可选，一个配置对象，包含：
    • deepThink?: boolean - 是否开启深度思考。如果为 true，Midscene 会调用 AI 模型两次以精确定位元素，从而提升准确性。默认值为 false。对于新一代模型（如 Qwen3 / Doubao 1.6 / Gemini 3），带来的收益不明显。
    • xpath?: string - 目标元素的 xpath 路径，用于执行当前操作。如果提供了这个 xpath，Midscene 会优先使用该 xpath 来找到元素，然后依次使用缓存和 AI 模型。默认值为空
    • cacheable?: boolean - 当启用 缓存功能 时，是否允许缓存当前 API 调用结果。默认值为 true

• 返回值：

  • 返回一个 Promise。当元素定位成功时解析为元素定位信息。

• 示例：

const locateInfo = await agent.aiLocate('页面顶部的登录按钮');
console.log(locateInfo);

#agent.aiWaitFor()

等待某个条件达成。考虑到 AI 服务的成本，检查间隔不会超过 checkIntervalMs 毫秒。

• 类型

function aiWaitFor(
  assertion: string,
  options?: {
    timeoutMs?: number;
    checkIntervalMs?: number;
  },
): Promise<void>;

• 参数：

  • assertion: string - 用自然语言描述的断言条件
  • options?: object - 可选的配置对象
    • timeoutMs?: number - 超时时间（毫秒，默认为 15000）。每轮检查开始时都会记录时间，只要该时间点仍在超时窗口内，就会进入下一轮检查；否则视为超时
    • checkIntervalMs?: number - 检查间隔（毫秒），默认为 3000

• 返回值：

  • 返回一个 Promise。当断言成功时解析为 void；若超时，则抛出错误。

• 示例：

// 基本用法
await agent.aiWaitFor('界面上至少有一个耳机的信息');

// 使用自定义配置
await agent.aiWaitFor('购物车图标显示数量为 2', {
  timeoutMs: 30000, // 等待 30 秒
  checkIntervalMs: 5000, // 每 5 秒检查一次
});

#agent.runYaml()

执行一个 YAML 格式的自动化脚本。脚本中的 tasks 部分会被解析和执行，并返回所有 .aiQuery 调用的结果。

• 类型

function runYaml(yamlScriptContent: string): Promise<{ result: any }>;

• 参数：

  • yamlScriptContent: string - YAML 格式的脚本内容

• 返回值：

  • 返回一个包含 result 属性的对象，其中包含所有 aiQuery 调用的结果

• 示例：

const { result } = await agent.runYaml(`
tasks:
  - name: search weather
    flow:
      - ai: input 'weather today' in input box, click search button
      - sleep: 3000

  - name: query weather
    flow:
      - aiQuery: "the result shows the weather info, {description: string}"
`);
console.log(result);

#agent.setAIActContext()

设置在调用 agent.aiAct() 或 agent.ai() 时，发送给 AI 模型的背景知识。这个设置会覆盖之前的设置。

对于即时操作类型的 API，比如 aiTap()，这个设置不会生效。

• 类型

function setAIActContext(aiActContext: string): void;

• 参数：

  • aiActContext: string - 要发送给 AI 模型的背景知识。aiActionContext 旧参数名依然可用。

• 示例：

await agent.setAIActContext('如果 “使用cookie” 对话框存在，先关闭它');

#agent.evaluateJavaScript()

仅在 web 页面中可用，在 Android 下不可用

这个方法允许你在 web 页面上下文中执行一段 JavaScript 代码，并返回执行结果。

• 类型

function evaluateJavaScript(script: string): Promise<any>;

• 参数：

  • script: string - 要执行的 JavaScript 代码。

• 返回值：

  • 返回执行结果。

• 示例：

const result = await agent.evaluateJavaScript('document.title');
console.log(result);

#agent.recordToReport()

在报告文件中记录当前截图，并添加描述。

• 类型

function recordToReport(title?: string, options?: Object): Promise<void>;

• 参数：

  • title?: string - 可选，截图的标题，如果未提供，则标题为 'untitled'。
  • options?: Object - 可选，一个配置对象，包含：
    • content?: string - 截图的描述。

• 返回值：

  • Promise<void>

• 示例：

await agent.recordToReport('登录页面', {
  content: '用户 A',
});

#agent.freezePageContext()

冻结当前页面上下文，使后续所有的操作都复用同一个页面快照，避免多次重复获取页面状态。在执行大量并发操作时，它可以显著提升性能。

一些注意点：

• 通常情况下，你不需要使用这个方法，除非你确定“页面状态获取”是脚本性能瓶颈。
• 需要及时调用 agent.unfreezePageContext() 来恢复实时页面状态。
• 不要在交互类操作中使用这个方法，它会让 AI 模型无法感知到页面的最新状态，产生令人困惑的错误。

• 类型

function freezePageContext(): Promise<void>;

• 返回值：

  • Promise<void>

• 示例：

// 冻结页面上下文，确保多个操作看到相同的页面状态
await agent.freezePageContext();

// 执行一些操作...
const results = await Promise.all([
  await agent.aiQuery('Username input box value'),
  await agent.aiQuery('Password input box value'),
  await agent.aiLocate('Login button'),
]);
console.log(results);

// 解冻页面上下文
await agent.unfreezePageContext();

#agent.unfreezePageContext()

解冻页面上下文，恢复使用实时的页面状态。

• 类型

function unfreezePageContext(): Promise<void>;

• 返回值：

  • Promise<void>

#agent._unstableLogContent()

从报告文件中获取日志内容。日志内容的结构可能会在未来发生变化。

• 类型

function _unstableLogContent(): Object;

• 返回值：

  • 返回一个对象，包含日志内容。

• 示例：

const logContent = agent._unstableLogContent();
console.log(logContent);

#属性

#.reportFile

报告文件的路径。

#在运行时设置环境变量（已弃用）

已弃用，请使用 modelConfig 参数代替。

通过 overrideAIConfig 方法在运行时设置全局环境变量。

import { overrideAIConfig } from '@midscene/web/puppeteer'; // 或其他的 Agent

overrideAIConfig({
  MIDSCENE_MODEL_BASE_URL: '...', // 推荐使用新的变量名
  MIDSCENE_MODEL_API_KEY: '...', // 推荐使用新的变量名
  MIDSCENE_MODEL_NAME: '...',

  // 旧的变量名仍然兼容：
  // OPENAI_BASE_URL: '...',
  // OPENAI_API_KEY: '...',
});

#使用图片作为提示词

你可以在提示词中使用图片作为补充，来描述无法通过自然语言表达的内容。

使用图片作为提示词时，提示词的参数格式如下：

{
  // 提示词文本，其中可提及需要使用的图片
  prompt: string,
  // 提示词中提到的图片
  images?: {
    // 图片名称，需要和提示词文本中提到的图片名称对应
    name: string,
    // 图片 url，可以是本地图片路径、Base64 字符串，或者图片的 http 链接
    url: string
  }[]
  // 开启该选项后，http 格式的图片链接会被转化为 Base64 编码发送给大模型，适用于图片链接不是公开可访问的情况。
  convertHttpImage2Base64?: boolean
}

• 示例一：使用图片描述点击位置

await agent.aiTap({
  prompt: '指定 logo',
  images: [
    {
      name: '指定 logo',
      url: 'https://github.githubassets.com/assets/GitHub-Mark-ea2971cee799.png',
    },
  ],
});

• 示例二：使用图片进行页面断言

await agent.aiAssert({
  prompt: '页面上是否存在指定 logo',
  images: [
    {
      name: '指定 logo',
      url: 'https://github.githubassets.com/assets/GitHub-Mark-ea2971cee799.png',
    },
  ],
});

图片尺寸的注意事项

在提示词中使用图片时，可能需要关注模型提供商对图片体积和尺寸的要求，过大（比如超过 10M）或过小（比如小于 10 像素）的图片都有可能导致模型调用时出现报错，具体的限制请以你所使用模型提供商的文档为准。

#报告合并工具

在运行多个自动化工作流时，每个 agent 都会生成独立的报告文件。ReportMergingTool 提供了将多个自动化报告合并为单个报告的能力，便于统一查看和管理自动化结果。

#使用场景

• 在自动化套件中运行多个工作流，希望生成一个统一的报告
• 跨平台自动化(如 Web 和 Android)需要合并不同平台的自动化结果
• CI/CD 流程中需要生成汇总的自动化报告

#new ReportMergingTool()

创建一个报告合并工具实例。

• 示例:

import { ReportMergingTool } from '@midscene/core/report';

const reportMergingTool = new ReportMergingTool();

#.append()

将自动化报告添加到待合并列表中。通常在每个自动化工作流结束后调用此方法。

• 类型

function append(reportInfo: ReportFileWithAttributes): void;

• 参数:

  • reportInfo: ReportFileWithAttributes - 报告信息对象，包含:
    • reportFilePath: string - 报告文件的路径，通常是 agent.reportFile
    • reportAttributes: object - 报告属性
      • testId: string - 自动化工作流的唯一标识符
      • testTitle: string - 自动化工作流标题
      • testDescription: string - 自动化工作流描述
      • testDuration: number - 自动化工作流执行时长(毫秒)
      • testStatus: 'passed' | 'failed' | 'timedOut' | 'skipped' | 'interrupted' - 自动化状态

• 返回值:

  • void

• 示例:

// 在 afterEach 钩子中添加报告
afterEach((ctx) => {
  let workflowStatus = 'passed';
  if (ctx.task.result?.state === 'fail') {
    workflowStatus = 'failed';
  }

  reportMergingTool.append({
    reportFilePath: agent.reportFile as string,
    reportAttributes: {
      testId: ctx.task.name,
      testTitle: ctx.task.name,
      testDescription: '自动化工作流描述',
      testDuration: Date.now() - startTime,
      testStatus: workflowStatus,
    },
  });
});

#.mergeReports()

执行报告合并操作，将所有添加的报告合并为一个 HTML 文件。

• 类型

function mergeReports(
  reportFileName?: 'AUTO' | string,
  opts?: {
    rmOriginalReports?: boolean;
    overwrite?: boolean;
  },
): string | null;

• 参数:

  • reportFileName?: 'AUTO' | string - 合并后的报告文件名
    • 默认为 'AUTO'，自动生成文件名
    • 可以指定自定义文件名(不需要 .html 后缀)
  • opts?: object - 可选配置对象
    • rmOriginalReports?: boolean - 是否删除原始报告文件,默认为 false
    • overwrite?: boolean - 如果目标文件已存在是否覆盖，默认为 false

• 返回值:

  • 成功时返回合并后的报告文件路径
  • 如果报告数量不足(少于 2 个)，返回 null

• 示例:

// 基本用法 - 使用自动生成的文件名
afterAll(() => {
  reportMergingTool.mergeReports();
});

// 指定自定义文件名
afterAll(() => {
  reportMergingTool.mergeReports('my-automation-report');
});

// 合并后删除原始报告
afterAll(() => {
  reportMergingTool.mergeReports('my-automation-report', {
    rmOriginalReports: true,
  });
});

// 覆盖已存在的报告文件
afterAll(() => {
  reportMergingTool.mergeReports('my-automation-report', {
    overwrite: true,
  });
});

#.clear()

清空待合并的报告列表。如果需要在同一个实例中进行多次合并操作,可以使用此方法清空之前的报告列表。

• 类型

function clear(): void;

• 返回值:

  • void

• 示例:

reportMergingTool.mergeReports('first-batch');
reportMergingTool.clear(); // 清空列表
// 继续添加新的报告...

#完整示例

以下是在 Vitest 框架中使用 ReportMergingTool 的完整示例:

import { describe, it, beforeEach, afterEach, afterAll } from 'vitest';
import { AndroidAgent, AndroidDevice } from '@midscene/android';
import { ReportMergingTool } from '@midscene/core/report';

describe('Android 设置自动化', () => {
  let device: AndroidDevice;
  let agent: AndroidAgent;
  let startTime: number;
  const reportMergingTool = new ReportMergingTool();

  beforeEach((ctx) => {
    startTime = performance.now();
    agent = new AndroidAgent(device, {
      groupName: ctx.task.name,
    });
  });

  afterEach((ctx) => {
    // 确定自动化状态
    let workflowStatus = 'passed';
    if (ctx.task.result?.state === 'pass') {
      workflowStatus = 'passed';
    } else if (ctx.task.result?.state === 'skip') {
      workflowStatus = 'skipped';
    } else if (ctx.task.result?.errors?.[0]?.message.includes('timed out')) {
      workflowStatus = 'timedOut';
    } else {
      workflowStatus = 'failed';
    }

    // 添加报告到合并列表
    reportMergingTool.append({
      reportFilePath: agent.reportFile as string,
      reportAttributes: {
        testId: ctx.task.name,
        testTitle: ctx.task.name,
        testDescription: '自动化工作流描述',
        testDuration: (Date.now() - ctx.task.result?.startTime!) | 0,
        testStatus: workflowStatus,
      },
    });
  });

  afterAll(() => {
    // 合并所有自动化报告
    reportMergingTool.mergeReports('android-settings-automation-report');
  });

  it('切换 WLAN', async () => {
    await agent.aiAct('找到并进入 WLAN 设置');
    await agent.aiAct('切换 WLAN 状态一次');
  });

  it('切换蓝牙', async () => {
    await agent.aiAct('找到并进入蓝牙设置');
    await agent.aiAct('切换蓝牙状态一次');
  });
});