ArknightsAutoHelper 明日方舟自动化辅助脚本使用教程
2026-02-06 04:25:01作者:庞眉杨Will
ArknightsAutoHelper 是一个基于 Python 和 ADB 的明日方舟自动化辅助脚本,能够帮助玩家自动完成游戏中的重复性任务,如刷图、使用理智药、识别掉落物品等。
环境准备
系统要求
- 操作系统:Windows(建议 Windows 10 1607 及以上版本)
- 分辨率:建议高度 1080 或以上,宽高比不小于 16:9
- 需要安装 ADB 工具并正确连接模拟器
安装方式
二进制包安装(推荐)
从项目发布页面下载二进制包启动器,首次运行时会自动下载最新代码和运行环境。
源代码安装
git clone https://gitcode.com/gh_mirrors/ar/ArknightsAutoHelper
cd ArknightsAutoHelper
pip install -r requirements.txt
主要功能
自动刷图功能
脚本支持两种刷图模式:
快速刷图模式:在当前关卡界面直接开始刷图
python3 akhelper.py quick 99 # 刷当前关卡99次
python3 akhelper.py quick -r # 刷到理智不足自动停止
自动选关模式:从主界面开始自动选择指定关卡
python3 akhelper.py auto 5-1 2 5-2 3 # 按顺序刷5-1关卡2次,5-2关卡3次
理智管理
- 自动使用理智药回复理智(+r参数)
- 支持使用源石回复理智(+R参数)
- 智能识别当前理智和关卡消耗
公开招募识别
python3 akhelper.py recruit # 自动识别公开招募标签
任务奖励领取
python3 akhelper.py collect # 自动领取每日和每周任务奖励
基建管理
python3 akhelper.py riic collect # 收取制造站和贸易站
python3 akhelper.py riic shift <房间> <干员> # 干员换班
进阶功能
刷图计划制定
通过 arkplanner 命令可以创建智能刷图计划:
- 输入需要的材料数量和类型
- 自动获取当前库存材料
- 生成最优刷图方案并保存到 config/plan.json
- 使用
auto plan执行刷图计划
自定义操作记录
脚本支持录制和回放自定义操作序列:
通过编写 Python 脚本可以创建复杂的操作流程:
from Arknights.helper import ArknightsHelper
helper = ArknightsHelper()
helper.replay_custom_record('get_credit') # 回放收信用点操作
配置说明
配置文件位于 config/config.yaml,主要配置项包括:
- ADB 连接设置
- 模拟器特定参数
- 日志记录配置
- OCR 识别设置
日志文件保存在 log 目录下,采用 CSV 格式便于分析。
常见问题解答
分辨率适配问题
脚本支持多种分辨率(1280x720、1440x720、1920x1080、2160x1080等),建议使用高度不低于1080的分辨率以获得最佳识别效果。
ADB 连接问题
确保 adb devices 能够正确列出目标模拟器。不同模拟器可能需要特殊的 ADB 配置:
- MuMu、BlueStacks:需要自行启动 ADB server
- 夜神模拟器:注意版本冲突问题
- MuMu 星云引擎:不支持 ADB 接口
识别精度问题
如果遇到识别错误,可以:
- 检查游戏画面是否清晰
- 调整截图区域的 ROI 大小
- 修改匹配相似度阈值
开发与扩展
项目采用模块化设计,开发者可以:
- 阅读 scripting_example.pyi 了解脚本编写方法
- 查看 Arknights 模块中的辅助类
- 使用 create_custom_record 方法创建新的操作流程
- 参与项目开发,提交 Pull Request
注意事项
- 请合理使用自动化功能,遵守游戏规则
- 脚本仅供学习和研究使用
- 遇到问题可以查看日志文件 ArknightsAutoHelper.log
- 建议在稳定的网络环境下运行
通过本教程,您应该能够快速上手使用 ArknightsAutoHelper 来提高游戏效率。记得定期更新脚本以获取最新功能和改进。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
892
667
Ascend Extension for PyTorch
Python
376
445
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
778
暂无简介
Dart
798
197
React Native鸿蒙化仓库
JavaScript
308
359
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271
