StarRailCopilot项目中的遗器本识别问题分析与解决方案
2025-06-20 14:30:11作者:何将鹤
问题背景
在StarRailCopilot项目中,用户报告了一个关于遗器本识别的问题。具体表现为当"物理·击破"遗器本不在列表第一页时,系统无法正确识别该副本。这个问题影响了自动化流程的正常执行,导致用户无法顺利完成预设的每日副本挑战任务。
问题现象分析
从用户提供的日志和截图可以观察到以下关键现象:
- 系统在尝试识别"物理·击破"遗器本时,仅扫描了列表的前几项内容
- 日志显示系统识别到了"霜风之径"、"漂泊之径"和"圣颂之径"三个副本,但没有找到目标副本
- 用户截图证实目标副本确实存在于列表中,但位于较靠后的位置
- 系统在识别失败后没有尝试向下滚动查看更多副本选项
技术原因探究
经过深入分析,这个问题主要由以下几个技术因素导致:
-
列表识别范围限制:当前实现仅扫描列表的可见部分(通常是第一页内容),没有实现完整的滚动查找机制。
-
副本排序逻辑假设:代码中隐含假设了副本会按照某种特定顺序排列,而实际上游戏中的副本列表顺序可能与解锁顺序或其他因素相关。
-
OCR识别范围局限:光学字符识别(OCR)仅应用于当前屏幕可见区域,没有结合滚动操作来扩大识别范围。
-
状态检测不完整:系统没有充分检测副本的解锁状态("传送"与"追踪"的区别),导致对已解锁副本的判断不准确。
解决方案设计
针对上述问题,建议从以下几个方面进行改进:
-
实现完整的滚动查找机制:
- 添加向下滚动功能,确保能够浏览整个副本列表
- 设置合理的滚动步长和最大滚动次数,平衡查找效率和完整性
- 实现滚动后的内容重新识别流程
-
改进副本识别逻辑:
- 移除对副本排序的任何假设,采用完全动态的识别方式
- 增加对副本解锁状态的检测(区分"传送"和"追踪")
- 实现更健壮的OCR后处理,处理可能的识别错误
-
优化错误处理流程:
- 当目标副本不在当前视图中时,自动触发滚动操作
- 设置合理的超时机制,避免无限查找
- 提供更清晰的错误日志,帮助诊断识别失败原因
-
增强用户体验:
- 在UI中显示当前查找进度
- 提供手动干预的选项
- 优化查找过程的视觉反馈
实现建议
具体到代码层面,可以考虑以下实现方式:
- 在DraggableList类中增加scroll_down方法,实现可控的列表滚动
- 修改DungeonList的识别逻辑,使其能够处理多页内容
- 添加对副本状态的检测逻辑,准确判断是否已解锁
- 实现查找循环,结合滚动和识别操作,直到找到目标或达到最大尝试次数
总结
StarRailCopilot项目中的这个遗器本识别问题揭示了自动化系统中常见的界面元素查找挑战。通过分析我们了解到,健壮的自动化系统不能对界面元素的排列顺序做任何假设,必须实现完整的查找机制。解决方案不仅需要解决当前的具体问题,还应建立更通用的界面元素查找框架,为处理类似问题提供基础。这种改进将显著提升系统的稳定性和用户体验,使自动化流程更加可靠。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust076- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
690
4.46 K
Ascend Extension for PyTorch
Python
547
671
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++
955
930
Claude 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 Started
Rust
430
75
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
407
326
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
564
🎉 (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
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292