AzurLaneAutoScript 强化功能异常分析与解决方案
问题背景
在 AzurLaneAutoScript(以下简称 ALAS)的船只强化功能中,当遇到战斗中的船只时,系统会出现重复点击导致的异常退出问题。这个问题主要影响外服玩家,特别是在网络略有卡顿的情况下更容易触发。
问题现象
当 ALAS 尝试强化船只时,如果前几艘需要强化的船只正处于战斗状态,系统会不断尝试点击强化按钮(ENHANCE_RECOMMEND 和 ENHANCE_CONFIRM)。当这两种按钮的点击次数都达到6次时,系统会触发"Too many click between 2 buttons"错误并退出。
技术分析
状态机流程
ALAS 的强化功能采用状态机模式实现,正常强化流程如下:
- state_enhance_check:检查当前船只状态
- state_enhance_ready:准备强化
- state_enhance_recommend:设置推荐强化材料
- state_enhance_attempt:尝试点击强化确认按钮
- state_enhance_confirm:确认强化结果
当遇到战斗中的船只时,流程会变为: state_enhance_recommend → state_enhance_attempt → state_enhance_confirm → state_enhance_fail
重复点击保护机制
ALAS 通过 device.py 中的逻辑防止过多重复点击,规则如下:
- 单一按钮点击超过12次
- 两个按钮各点击超过6次
当前问题触发了第二条规则。
现有保护逻辑的不足
系统原本设计了针对"无材料可强化"情况的保护:
if state_list[-2:] == ["state_enhance_recommend", "state_enhance_fail"]:
self.device.click_record_clear()
但这种保护仅适用于从 state_enhance_recommend 直接到 state_enhance_fail 的情况,无法覆盖因战斗状态导致的强化失败路径。
解决方案
修复方案需要扩展点击记录清除的条件,使其能够识别因战斗状态导致的强化失败。具体应修改为:
if (state_list[-2:] == ["state_enhance_recommend", "state_enhance_fail"] or
state_list[-4:] == ["state_enhance_recommend", "state_enhance_attempt",
"state_enhance_confirm", "state_enhance_fail"]):
self.device.click_record_clear()
这样修改后,系统能够在以下两种情况下清除点击记录:
- 无材料可强化(原逻辑)
- 因战斗状态无法强化(新增逻辑)
实施效果
该修复已合并到主分支并经过一周的测试验证,确认能够有效解决战斗状态下船只强化导致的异常退出问题。用户反馈强化功能现在能够正常跳过战斗中的船只,继续尝试强化其他可用船只,而不会因点击次数过多而意外退出。
总结
通过对 ALAS 强化功能状态机的深入分析和针对性修复,我们解决了因战斗状态船只导致的重复点击问题。这个案例展示了状态机设计中考虑所有可能路径的重要性,以及在实现点击保护机制时需要全面覆盖各种异常情况。对于自动化脚本开发来说,这类边界条件的处理往往决定着系统的稳定性和用户体验。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00