AzurLaneAutoScript 大世界兑换商店购买异常问题分析与解决方案
问题背景
在 AzurLaneAutoScript(简称 ALAS)自动化脚本的使用过程中,部分用户反馈在大世界特别兑换商店(每月白票商店)中出现了购买异常情况。具体表现为:脚本能够成功购买坐标记录仪,但无法正常购买技能教材和物资。
问题现象
用户在使用 ALAS 脚本时,配置了正确的商店过滤器(LoggerAbyssal > LoggerObscure > Book > Coin),但实际运行中发现:
- 坐标记录仪能够正常购买
- 技能教材(尝试过 BookT4、BookRedT4 等多种写法)无法购买
- 物资(Coin)无法购买
从日志分析,脚本确实扫描到了商店中的物品,但未能触发购买操作。
问题根源
经过深入分析,发现问题主要源于以下两个因素:
-
商店布局变更:游戏更新后,大世界兑换商店的物品行数发生了变化。原先的脚本逻辑是基于商店只有四排物品设计的,而现在商店物品行数可能更多。
-
滑动条处理逻辑:在 shop_voucher.py 模块中,原有的滑动逻辑是直接翻到最底部。当商店物品超过四排时,这种处理方式会导致部分物品无法被正确识别和购买。
-
物品识别精度:物资图片右下角的数字显示(13 vs 商店中的1000)可能存在识别干扰,但这不是主要原因。
解决方案
针对上述问题,用户可以采用以下解决方案:
-
清理库存物品:首先清理"档案坐标记录仪"等物品,减少商店显示的行数,使其恢复到脚本能够正常处理的范围内。
-
更新滑动逻辑:对于开发者而言,需要修改 shop_voucher.py 中的滑动逻辑,从直接翻到底部改为逐步滑动识别,以适应不同行数的商店布局。
-
验证过滤器写法:确认技能教材的过滤器写法是否正确:
- 普通技能书:Book
- T4技能书:BookT4
- 红色T4技能书:BookRedT4
实施效果
经过实际测试,在清理了"档案坐标记录仪"后,商店物品行数减少,脚本能够正常识别并购买所有配置的物品,包括技能教材和物资。
技术建议
对于 ALAS 用户,建议:
- 定期清理不需要的兑换物品,保持商店界面简洁
- 关注脚本更新,及时获取修复了商店滑动逻辑的新版本
- 对于特殊物品的购买,可以尝试多种过滤器写法组合
对于开发者,建议:
- 优化商店物品识别算法,提高对不同布局的适应性
- 增加滑动识别机制,而不是简单的固定位置滑动
- 完善错误处理机制,当购买失败时能够提供更明确的提示
总结
大世界兑换商店购买异常问题主要是由于游戏界面变更与脚本逻辑不匹配导致的。通过清理库存物品或更新脚本逻辑,可以有效解决这一问题。这也提醒我们,自动化脚本需要持续维护以适应游戏的变化,同时用户保持物品栏整洁也有助于脚本的稳定运行。
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