ZenlessZoneZero-OneDragon项目快捷手册功能异常问题分析
问题概述
在ZenlessZoneZero-OneDragon自动化脚本项目中,用户反馈在执行体力刷本和恶名狩猎功能时出现异常,脚本会卡在快捷手册界面无法继续执行。该问题主要影响4K分辨率用户,而2K分辨率下运行正常。
问题表现
根据用户反馈和日志分析,问题主要表现为两种场景:
-
体力刷本功能:当尝试通过快捷手册传送到"训练-实战模拟室-代理人技能"时,脚本无法识别底部快捷手册标签页,导致操作失败。
-
恶名狩猎功能:在尝试从菜单前往"快捷手册-挑战"时,脚本无法正确识别界面状态,导致操作中断。
错误日志分析
从用户提供的日志中可以观察到以下关键错误信息:
指令[ 传送 快捷手册 训练-实战模拟室-代理人技能 ] 节点 选择TAB 返回状态 未找到 底部-快捷手册
指令[ 恶名狩猎 ] 执行失败 返回状态 无法从 菜单 前往 快捷手册-挑战
这表明脚本在尝试切换快捷手册的不同标签页时,界面识别环节出现了问题。
根本原因
经过技术分析,该问题可能由以下几个因素导致:
-
分辨率适配问题:4K分辨率下界面元素的相对位置和大小与2K分辨率存在差异,导致图像识别失败。
-
界面文本变更:游戏更新后可能将"挑战"标签改为"作战",而脚本中仍保留旧的关键字匹配。
-
配置文件残留:旧的配置文件(如notorious_hunt.yml)可能包含过期的界面识别参数,影响新版本运行。
解决方案
针对上述问题,建议采取以下解决步骤:
-
删除旧配置文件:
- 在config文件夹下搜索并删除notorious_hunt.yml文件
- 路径示例:config/01/notorious_hunt.yml
-
分辨率适配调整:
- 暂时切换至2K分辨率运行脚本
- 或者提供4K分辨率下的完整界面截图(F11截图)供开发者优化识别算法
-
关键字更新:
- 检查脚本中所有与"挑战"相关的关键字引用
- 更新为当前游戏界面实际显示的文本(如"作战")
-
调试模式诊断:
- 在设置中开启脚本环境调试模式
- 重新运行并收集完整日志供进一步分析
技术建议
对于自动化脚本开发,这类界面识别问题通常需要:
-
多分辨率适配:实现基于相对坐标而非绝对坐标的识别算法。
-
动态关键字配置:将界面文本关键字外部化配置,便于快速适配游戏更新。
-
容错机制:增加识别失败后的备用方案和重试逻辑。
-
版本兼容:建立配置文件版本管理机制,避免旧配置影响新版本运行。
总结
ZenlessZoneZero-OneDragon项目中的快捷手册功能异常主要源于分辨率适配和界面变更问题。通过清理旧配置、调整分辨率和更新识别关键字可以有效解决当前问题。长期来看,增强脚本的适应性和容错能力将提升用户体验。开发者需要持续关注游戏界面变化,及时更新识别逻辑,确保脚本的稳定运行。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00