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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0218
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0140
uni-appA cross-platform framework using Vue.jsJavaScript09
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03