自动化脚本长期稳定运行的四个阶段OnmyojiAutoScript 稳定性工程拆解【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScriptOnmyojiAutoScript以下简称 OAS是开源的阴阳师自动化脚本项目覆盖日常任务、御魂副本、探索、阴阳寮、限时活动等几乎所有玩法。功能清单不是本文的重点我更想以它为样本拆解一个自动化脚本从刚能跑起来到连续稳定运行几个月会依次迈过的四道坎。如果你正在维护或打算开发类似的自动化项目这套思路完全可以迁移过去。第一道坎识别错了后面全是白干先想一个问题游戏里的一切自动化操作前提是什么答案是知道当前屏幕是什么。截图、识别、点击这三步是地基地基歪一寸上面的流程就会错一截——识别错一次就点错一次整个任务状态机立刻乱套。OAS 的识别体系分两类对应module/atom/image.py中的RuleImage和module/atom/ocr.py中的RuleOcr图像匹配模板匹配按像素相似度在指定区域内找目标快但怕缩放变形特征点匹配SIFT FLANN对尺度变化更鲁棒适合图标在不同分辨率下会变的场景。文字识别基于 ppocr-onnx 的 OCR 能力读取界面上的文本信息任务名、按钮文字、剩余次数module/ocr/下封装了完整的调用链路。这里有个容易被忽视的工程细节ROI感兴趣区域越小识别越准越快。把搜索范围圈在按钮四周而不是全屏扫描既能提升命中率也能显著降低误判。另一个经验是阈值不要一刀切——动画播放中的图标匹配阈值可以放到 0.7 左右静止按钮则可以定得更高动画场景先调用module/atom/animate.py中stable这类等画面稳定再识别的逻辑比盲目重试可靠得多。观点稳定性的第一优先级不是操作有多像人而是别认错。识别错了拟人化做得再好也是白费。第二道坎操作像人靠的不是玄学是三件套当识别足够可靠下一个问题就是操作层。反作弊系统收集的其实是一组统计学特征点击间隔的方差、点击坐标的分布、滑动轨迹的曲率。固定 500ms 一次点击、永远点同一个像素、直线滑动——这些特征单独看都无害组合起来就是一张机器证明。OAS 的拟人化由三件套构成全部集中在module/base/和module/atom/1. 随机延时。module/base/protect.py提供random_delay(2.0, 6.0)每次操作间隔在 2~6 秒内均匀取值另有random_sleep(0.05)以 5% 的小概率额外插入一次 2~6 秒的发呆模拟玩家偶尔的停顿。2. 坐标偏移。module/base/utils/utils.py里的random_rectangle_point用多次随机取均值来近似正态分布点击坐标永远落在目标区域内、但每次都不同。RuleClick.coord()的实现就是在 ROI 内随机取点源码在module/atom/click.py。3. 贝塞尔滑动轨迹。这是最有意思的部分。module/atom/cBezier.py用贝塞尔曲线生成带弧度和波动的轨迹module/atom/swipe.py在此基础上随机化参数贝塞尔阶数在 2~4 之间随机、波动幅度 20~40 像素速度曲线按概率在三种模式里选——先慢后快、先快后慢、先慢中间快后慢。人类手指滑动从来不是匀速直线这套组合正是对自然的工程化模拟。维度常用参数作用操作间隔2~6 秒随机打破点击间隔的固定节律坐标点ROI 内正态随机避免长期点击同一像素滑动阶数2~4 阶贝塞尔制造弧形轨迹滑动波动20~40 px模拟手指的微小抖动速度曲线三种模式概率切换模拟加速减速过程观点随机化不是随便随机。均匀分布和正态分布、固定轨迹和概率切换在统计学特征上差距巨大——后者才接近真实玩家的行为分布。第三道坎脚本必须学会处理意外而不是只会按流程走再完善的识别和拟人化也拦不住游戏里的突发事件协战邀请弹窗、网络掉线、副本失败、活动界面被顶掉。脚本如果只会线性执行任何一次意外都会让它卡死在某个界面直到用户回来人工救援。OAS 在tasks/base_task.py里给了两个很好的示范一是全局状态检查。每次截图后都会调用_burst()检测协战邀请等突发元素并按用户配置决定接受、拒绝、只收勾协还是全部忽略。这意味着截图这个动作同时承担了执行任务和处理突发两个职责意外永远在第一时间被发现。二是软限制与重试。BaseTask内置limit_time和limit_count单任务运行时长或次数超限就主动收手而不是无限循环module/base/retry.py提供带退避和抖动的重试封装module/base/timer.py的Timer给所有可能卡住的循环加上超时兜底。实践上可以落成三条硬规矩所有循环都要有Timer超时不允许死等遇到异常先截图留证日志会自动归档到 error 目录再决定重试还是放弃状态判断要尽量截图而不是尽量相信内存里的状态观点容错设计决定了一个脚本是省心的挂机工具还是需要人盯着的半成品。意外处理得当才是脚本敢于无人值守的前提。第四道坎让脚本自己安排一天并且看得见识别、拟人、容错都到位后剩下的是长跑问题几十个任务怎么排排错了会不会互相打架跑挂了怎么知道调度上module/config/scheduler.py的TaskScheduler提供了三种策略FIFO 按到期时间先来后到、PRIORITY 按优先级分组调度、FILTER 按规则过滤任务。值得一提的细节是——无论哪种策略Restart任务永远被插到第一位保证重启类操作优先执行避免状态混乱。这是典型的用调度规则代替人工纠错。可观测性上module/logger.py做了两件很务实的事日志按天归档且自动清理 14 天前的旧日志防止长期挂机把磁盘写满异常日志单独归入 error 目录排查时一目了然。配合基于 FluentUI 构建的桌面界面任务状态、运行进度、错误信息都能直观呈现用户不需要懂代码也能判断脚本是否健康。配置层面OAS 用 pydantic 管理全部配置项任务开关、调度规则、紧急处理策略都收敛在配置文件中改行为不需要动一行代码——这既是维护者的便利也是长期稳定运行的保障把人肉记忆沉淀成机器配置脚本才不会因为某次手改代码而整体失控。观点调度不是排程表是时间管理日志不是写给人看的仪式是未来某个深夜排查问题时唯一的救命稻草。面向未来稳定运行是滚雪球不是一次性工程四道坎都迈过去脚本也只是能稳定跑离长期稳定还差最后一环持续改进。最实用的做法是让日志反哺开发。跑一周之后翻一遍 error 目录哪里卡死过、哪个图标识别失败过、哪条滑动轨迹超时了——这些真实失败样本远比任何代码评审有价值。每次调整参数前先记录基线调整后再对比失败率用数据而不是感觉来迭代。其次是拥抱新能力。OAS 在百鬼夜行玩法里已经用 AI 模型辅助决策这提示了一个方向未来的行为生成会从规则随机走向模型生成——用真实玩家操作数据训练模型让脚本天然具备人类行为的分布特征而不是靠人工手调参数去逼近。回到开头一个自动化脚本从能跑到跑得久本质上是把四件事依次做扎实——认准目标、像人操作、扛住意外、自己排班然后用日志和实验持续打磨。这套工程化思路比任何单一技巧都更能决定脚本的寿命。【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 自动化脚本长期稳定运行的四个阶段：OnmyojiAutoScript 稳定性工程拆解
自动化脚本长期稳定运行的四个阶段OnmyojiAutoScript 稳定性工程拆解【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScriptOnmyojiAutoScript以下简称 OAS是开源的阴阳师自动化脚本项目覆盖日常任务、御魂副本、探索、阴阳寮、限时活动等几乎所有玩法。功能清单不是本文的重点我更想以它为样本拆解一个自动化脚本从刚能跑起来到连续稳定运行几个月会依次迈过的四道坎。如果你正在维护或打算开发类似的自动化项目这套思路完全可以迁移过去。第一道坎识别错了后面全是白干先想一个问题游戏里的一切自动化操作前提是什么答案是知道当前屏幕是什么。截图、识别、点击这三步是地基地基歪一寸上面的流程就会错一截——识别错一次就点错一次整个任务状态机立刻乱套。OAS 的识别体系分两类对应module/atom/image.py中的RuleImage和module/atom/ocr.py中的RuleOcr图像匹配模板匹配按像素相似度在指定区域内找目标快但怕缩放变形特征点匹配SIFT FLANN对尺度变化更鲁棒适合图标在不同分辨率下会变的场景。文字识别基于 ppocr-onnx 的 OCR 能力读取界面上的文本信息任务名、按钮文字、剩余次数module/ocr/下封装了完整的调用链路。这里有个容易被忽视的工程细节ROI感兴趣区域越小识别越准越快。把搜索范围圈在按钮四周而不是全屏扫描既能提升命中率也能显著降低误判。另一个经验是阈值不要一刀切——动画播放中的图标匹配阈值可以放到 0.7 左右静止按钮则可以定得更高动画场景先调用module/atom/animate.py中stable这类等画面稳定再识别的逻辑比盲目重试可靠得多。观点稳定性的第一优先级不是操作有多像人而是别认错。识别错了拟人化做得再好也是白费。第二道坎操作像人靠的不是玄学是三件套当识别足够可靠下一个问题就是操作层。反作弊系统收集的其实是一组统计学特征点击间隔的方差、点击坐标的分布、滑动轨迹的曲率。固定 500ms 一次点击、永远点同一个像素、直线滑动——这些特征单独看都无害组合起来就是一张机器证明。OAS 的拟人化由三件套构成全部集中在module/base/和module/atom/1. 随机延时。module/base/protect.py提供random_delay(2.0, 6.0)每次操作间隔在 2~6 秒内均匀取值另有random_sleep(0.05)以 5% 的小概率额外插入一次 2~6 秒的发呆模拟玩家偶尔的停顿。2. 坐标偏移。module/base/utils/utils.py里的random_rectangle_point用多次随机取均值来近似正态分布点击坐标永远落在目标区域内、但每次都不同。RuleClick.coord()的实现就是在 ROI 内随机取点源码在module/atom/click.py。3. 贝塞尔滑动轨迹。这是最有意思的部分。module/atom/cBezier.py用贝塞尔曲线生成带弧度和波动的轨迹module/atom/swipe.py在此基础上随机化参数贝塞尔阶数在 2~4 之间随机、波动幅度 20~40 像素速度曲线按概率在三种模式里选——先慢后快、先快后慢、先慢中间快后慢。人类手指滑动从来不是匀速直线这套组合正是对自然的工程化模拟。维度常用参数作用操作间隔2~6 秒随机打破点击间隔的固定节律坐标点ROI 内正态随机避免长期点击同一像素滑动阶数2~4 阶贝塞尔制造弧形轨迹滑动波动20~40 px模拟手指的微小抖动速度曲线三种模式概率切换模拟加速减速过程观点随机化不是随便随机。均匀分布和正态分布、固定轨迹和概率切换在统计学特征上差距巨大——后者才接近真实玩家的行为分布。第三道坎脚本必须学会处理意外而不是只会按流程走再完善的识别和拟人化也拦不住游戏里的突发事件协战邀请弹窗、网络掉线、副本失败、活动界面被顶掉。脚本如果只会线性执行任何一次意外都会让它卡死在某个界面直到用户回来人工救援。OAS 在tasks/base_task.py里给了两个很好的示范一是全局状态检查。每次截图后都会调用_burst()检测协战邀请等突发元素并按用户配置决定接受、拒绝、只收勾协还是全部忽略。这意味着截图这个动作同时承担了执行任务和处理突发两个职责意外永远在第一时间被发现。二是软限制与重试。BaseTask内置limit_time和limit_count单任务运行时长或次数超限就主动收手而不是无限循环module/base/retry.py提供带退避和抖动的重试封装module/base/timer.py的Timer给所有可能卡住的循环加上超时兜底。实践上可以落成三条硬规矩所有循环都要有Timer超时不允许死等遇到异常先截图留证日志会自动归档到 error 目录再决定重试还是放弃状态判断要尽量截图而不是尽量相信内存里的状态观点容错设计决定了一个脚本是省心的挂机工具还是需要人盯着的半成品。意外处理得当才是脚本敢于无人值守的前提。第四道坎让脚本自己安排一天并且看得见识别、拟人、容错都到位后剩下的是长跑问题几十个任务怎么排排错了会不会互相打架跑挂了怎么知道调度上module/config/scheduler.py的TaskScheduler提供了三种策略FIFO 按到期时间先来后到、PRIORITY 按优先级分组调度、FILTER 按规则过滤任务。值得一提的细节是——无论哪种策略Restart任务永远被插到第一位保证重启类操作优先执行避免状态混乱。这是典型的用调度规则代替人工纠错。可观测性上module/logger.py做了两件很务实的事日志按天归档且自动清理 14 天前的旧日志防止长期挂机把磁盘写满异常日志单独归入 error 目录排查时一目了然。配合基于 FluentUI 构建的桌面界面任务状态、运行进度、错误信息都能直观呈现用户不需要懂代码也能判断脚本是否健康。配置层面OAS 用 pydantic 管理全部配置项任务开关、调度规则、紧急处理策略都收敛在配置文件中改行为不需要动一行代码——这既是维护者的便利也是长期稳定运行的保障把人肉记忆沉淀成机器配置脚本才不会因为某次手改代码而整体失控。观点调度不是排程表是时间管理日志不是写给人看的仪式是未来某个深夜排查问题时唯一的救命稻草。面向未来稳定运行是滚雪球不是一次性工程四道坎都迈过去脚本也只是能稳定跑离长期稳定还差最后一环持续改进。最实用的做法是让日志反哺开发。跑一周之后翻一遍 error 目录哪里卡死过、哪个图标识别失败过、哪条滑动轨迹超时了——这些真实失败样本远比任何代码评审有价值。每次调整参数前先记录基线调整后再对比失败率用数据而不是感觉来迭代。其次是拥抱新能力。OAS 在百鬼夜行玩法里已经用 AI 模型辅助决策这提示了一个方向未来的行为生成会从规则随机走向模型生成——用真实玩家操作数据训练模型让脚本天然具备人类行为的分布特征而不是靠人工手调参数去逼近。回到开头一个自动化脚本从能跑到跑得久本质上是把四件事依次做扎实——认准目标、像人操作、扛住意外、自己排班然后用日志和实验持续打磨。这套工程化思路比任何单一技巧都更能决定脚本的寿命。【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考