Hi 这里！ 👋

在平时处理影刀RPA问题的时候，会找到一些好用的技巧，在这篇文章中做个记录，也方便以后自己查找。 网页 获取网页弹窗（JavaScript Alerts）的内容 测试页面（需要翻墙） 类似下图这样的弹窗，这种事 JS 原生的 Alert 弹窗，不再 HTML 标签里，无法选中弹窗的 DOM 对于获取这类弹窗的内容，可以用以下思路解决 向页面注入JS劫持 window.alert 方法，将 msg 保存到全局变量 RPA点击按钮触发弹窗，然后关闭弹窗 向页面注入JS，读取全局变量中的 msg 劫持 windw.alert 的 js function (element, input) { // 保存原始 alert window._originalAlert = window.alert; // 重写 alert，劫持弹窗内容 window.alert = function (msg) { window._lastAlertMsg = msg; // 存到全局变量 console.log("捕获到弹窗：", msg); // 调试打印 window._originalAlert(msg); // 继续弹出原弹窗 }; return null; } 读取页面全局变量的 js function (element, input) { // 读取劫持到的弹窗文本 let msg = window._lastAlertMsg || ""; console.log("最终弹窗内容：", msg); return msg; } 在影刀中的使用如下图 ...

1. 前言 最近在公司做了个内部提效的飞书机器人，公司有台公共的mac mini，之前一直是手动打包好代码上传到mac mini上用 uv run python main.py 运行，可以说是非常不优雅了。 以前都是在 Linux 上用 systemctl 部署服务，没在 mac 弄过，查了一下 mac 系统上有个 launchd 用于管理服务，这篇文档记录一下第一次在 mac 上用 launchd 部署服务 2. launchctl 与 systemctl 的区别 功能 systemctl launchctl 主要配置文件 .service .plist 启动服务 systemctl start [name] launchctl bootstrap gui/$(id -u) [path] 停止服务 systemctl stop [name] launchctl bootout gui/$(id -u) [path] 开机自启 systemctl enable [name] 只要 .plist 文件放到特定目录，默认加载 查看状态 systemctl status [name] launchctl list [label] 服务配置文件位置 macOS 使用 Property List (.plist) 文件来定义服务。根据你想让服务以什么权限运行，存放路径也不同： ...

OpenClaw 最近很火，正好公司有台空闲的 Mac Mini，可以在上面捣鼓一下这个新东西。 1. 安装 Lume Lume 是 MacOS 上的原生虚拟化框架，让 OpenClaw 在虚拟环境下运行不会搞乱我们的系统。 1.1 安装 Lume 方式一：脚本安装 /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/trycua/cua/main/libs/lume/scripts/install.sh)" 方式二：Homebrew 安装 brew tap trycua/lume brew install lume 验证安装 使用以下命令验证是否安装成功： lume --version 1.2 下载 MacOS 镜像 lume 安装成功后，需要获取 MacOS 镜像，使用下面指令将镜像下载到 Downloads 文件夹中： curl -L -o ~/Downloads/macos.ipsw "$(lume ipsw 2>/dev/null | tail -1)" 1.3 运行虚拟机 使用下面指令即可运行虚拟机 lume create openclaw --os macos --ipsw ~/Downloads/macos.ipsw 2. 安装 OpenClaw openclaw 中文文档 openclaw 的安装方式在其官方文档中已经很清楚了，我这里只列出几个我安装时遇到的问题 2.1 踩坑记录 2.1.1 对接飞书频道 安装飞书插件 ...

1. 前言 在之前尝试过 AI 驱动的RPA程序完成给定的任务，但是整个运行下来给人的感觉就是太慢了，当时跑一个淘宝搜索产品并获取产品信息的任务跑了快10分钟，总结下来慢的原因无非下面几点。 AI返回内容慢，通过OpenRouter调用gemini模型，一个请求要1-2分钟才能返回结果。 要实现程序 感知-决策-在感知-判断 就要调用多次模型，模型调用次数越多就越慢。 所以，之前AI驱动RPA属于对技术的探索，但没有实际意义， 这次我尝试用AI来处理在自动化中会遇到的一些复杂验证码问题 下面是这次需要解决的验证码的例子，这三个验证码都来自Temu平台。 2. 核心思路 整体思路很简单，把验证码截图给AI，让AI按要求返回坐标，程序解析坐标并点击 整体的代码设计如下图，首先是三个抽象类下面逐个解释一下。 Agent：用于调用AI接口，封装了图片解析、AI结果处理等功能，需要子类实现具体的AI接口 Capability：表示一种能力，就是给AI的提示词。 Handle：使用AI返回的结果处理问题 Agent有3个子类，分别是调用OpenAI规范的接口、调用影刀内置AI接口和调用影刀AIPower接口。 Capability的3个子类分别表示点选验证码处理、拖动验证码处理以及复选框处理 在做软件自动化时很容易遇到复选框无法判断是否勾选，这种情况就可以借助AI Handle有2个子类分表用于，处理点击操作和处理拖动操作 3. 代码实现 ability.py from abc import ABC, abstractmethod class Capability(ABC): """ 表示一种能力, AI能做什么操作 """ @property @abstractmethod def prompt(self): pass class ClickVerifier(Capability): @property def prompt(self): prompt = """ 请严格按照图片中给出的操作要求执行。 图片中已经明确标注了需要点击的目标及点击顺序， 你只需要根据图片内容，依次返回每一步需要点击的位置坐标。 规则： 1. 只返回图片中明确要求点击的内容，不要增加或省略步骤 2. 坐标基于当前输入图片的像素坐标 3. 坐标原点为图片左上角 (0, 0)，x 向右，y 向下 4. 每个坐标应尽量位于对应目标的可点击区域中心 5. 如果图片中某一步无法明确定位，请不要猜测，在 summary 中说明 输出要求： - 仅返回 JSON，不要输出任何多余文本 - 不要使用 markdown - JSON 结构必须严格如下： { "positions": [ { "x": xxx, "y": xxx }, { "x": xxx, "y": xxx } ], "summary": "简要说明这些坐标如何对应图片中的点击要求" } """ return prompt class DragVerifier(Capability): @property def prompt(self): prompt = """ 图片中已经明确标注了需要如何拖拽内容 你只需要根据图片内容，依次返回开始拖拽和结束拖拽的位置坐标 规则： 1. 坐标基于当前输入图片的像素坐标 2. 坐标原点为图片左上角 (0, 0)，x 向右，y 向下 3. 每个坐标应尽量位于对应目标的可点击区域中心 4. 如果图片中某一步无法明确定位，请不要猜测，在 summary 中说明 输出要求： - 仅返回 JSON，不要输出任何多余文本 - 不要使用 markdown - JSON 结构必须严格如下： { "positions": [ { "start": { "x": xxx, "y": xxx, }, "end": { "x": xxx, "y": xxx, } }, { "start": { "x": xxx, "y": xxx, }, "end": { "x": xxx, "y": xxx, } }, ], "summary": "简要说明理由" } """ return prompt class CheckboxProcess(Capability): @property def prompt(self): prompt = """ 给你一张界面截图，你需要根据任务要求返回需要点击的复选框坐标 如果一个复选框已经被点击则跳过该复选框 规则 1. 坐标基于当前输入图片的像素坐标 2. 坐标原点为图片左上角 (0, 0)，x 向右，y 向下 3. 每个坐标应尽量位于对应目标的可点击区域中心 4. 如果图片中某一步无法明确定位，请不要猜测，在 summary 中说明 输出要求: - 仅返回 JSON，不要输出任何多余文本 - 不要使用 markdown - JSON 结构必须严格如下： { "positions": [ { "x": xxx, "y": xxx }, { "x": xxx, "y": xxx } ], "summary": "简要说明这些坐标如何对应图片中的点击要求" } """ return prompt agent.py ...

这篇文章也是用来记录我自己搭建博客博客的经历 1. 项目 1.1 实现链路 下面是整个博客的链路，因为我要考虑服务器迁移的问题，为了方便迁移所以会使用容器化方案。 最终实现我写好一篇文章，在本地使用 git push命令即可实现服务器自动更新内容。 1.2 文件结构 hugo-blog/ ├── blog/ │ ├── source/ │ ├── repo.git/ └── docker-compose.yaml source：存放hugo原始数据以及hugo编译后的public文件夹 repo.git：Git仓库 2. 博客搭建 2.1 创建Git仓库 在服务器上创建Git裸仓库，用于接收推送的代码 # 创建 git 文件夹 mkdir -p blog/repo.git cd blog/repo.git # 初始化裸仓库 git init --bare 配置自动化钩子，当本地终端通过git push推送文章时，服务器自动触发这个脚本 vim hooks/post-receive #!/bin/bash # 定义路径 GIT_DIR=$HOME/docker/hugo-blog/blog/repo.git SRC_DIR=$HOME/docker/hugo-blog/blog/source # 1. 检出源码到临时目录 git --work-tree=$SRC_DIR --git-dir=$GIT_DIR checkout -f main echo "迁出分支成功" # 2. 使用 Docker 运行 Hugo 构建 # --rm 表示构建完后自动删除容器 docker run --rm \ -u $(id -u):$(id -g) \ -v $SRC_DIR:/src \ hugomods/hugo:latest build echo "Hugo构建成功" 给脚本执行权限chmod +x hooks/post-receive ...

这次尝试的宗旨是 AI可替换，不和特定AI绑定 不考虑Token消耗 设计出通用的 AI 驱动框架，并不局限于 RPA 这个方面 1. 浅尝 最开始的想法是实现两个Agent分别是·、任务规划Agent和任务执行Agent 任务规划Agent根据用户需求列出步骤清单，任务执行Agent负责循环步骤清单执行步骤 1.1 任务规划Agent 我在实现完任务规划Agent后就发现，任务规划和执行分离不是一个好设计，规划的任务准确性会越来越低，所以这个方案我就没有继续实现执行Agent rask_planner_agent.py import base64 from langchain_deepseek import ChatDeepSeek from langchain_openai import ChatOpenAI from langchain.agents import create_agent from .output_schema import TaskSchema class TaskPlannerAgent: def __init__(self): self.llm = ChatOpenAI( openai_api_key="sk-or-v1-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx, openai_api_base="https://openrouter.ai/api/v1", model_name="google/gemini-3-flash-preview" ) # System prompt self.system_prompt = """ 你是一个专业的任务规划助手。用户将提供任务描述或图片，你需要结合这些信息将其拆解为结构化步骤。 """ self.agent = create_agent( model=self.llm, system_prompt=self.system_prompt, response_format=TaskSchema ) def plan(self, instruction: str, image_path: str = None) -> TaskSchema: content = [{"type": "text", "text": instruction}] if image_path: image_data = self._encode_image(image_path) content.append({ "type": "image_url", "image_url": { "url": f"data:image/jpeg;base64,{image_data}" } }) result = self.agent.invoke( {"messages": [{"role": "user", "content": content}]} ) return result["structured_response"] def _encode_image(self, image_path: str): """将本地图片转为 base64编码""" with open(image_path, 'rb') as image_file: return base64.b64encode(image_file.read()).decode('utf-8') def main(args): agent = TaskPlannerAgent() for step in agent.plan("搜索熊猫，并进入搜索结果的第一项内容", r"C:\Users\Levit\Desktop\1.jpg").steps: print(step) output_schema.py 规范Agent输出格式 ...