常见问题 FAQ

各平台常见问题

以下平台的常见问题已整合到各自的文档中：

操作 VNC 等桌面客户端时，为什么会丢失大写字母或修饰键？

使用 @midscene/computer 操作 VNC、TeamViewer 或虚拟机控制台时，部分客户端可能无法完整识别键盘事件。常见现象包括：大写 K 变成 k、! 变成 1，或者 Control+S 只输入了 s。

遇到这些问题时，可以增加修饰键事件的间隔。下面是一组已经在 Windows VNC 全屏模式下验证过的配置。

import { agentForComputer } from '@midscene/computer';

const agent = await agentForComputer({
  inputStrategy: 'sequential',
  keyboardTypeDelay: 120,
  keyboardModifierDelay: 100,
  keyboardLayout: 'en-US',
});

其中，keyboardModifierDelay 是解决修饰键丢失问题的主要配置。建议从 100 开始测试。确认输入正常后，可以逐步减小这个数值。

为什么增加间隔可以解决问题？

大写字母、特殊字符和组合键都依赖修饰键。

例如：

大写 K 需要按下 Shift，再按下 K。
en-US 键盘布局中的 ! 需要按下 Shift，再按下 1。
Control+S 需要按下 Control，再按下 S。

Midscene 会把这些操作转换成修饰键按下、主键按下和按键释放等事件。

某些桌面客户端会捕获这些事件，并转发给另一个系统或功能模块。如果事件之间的间隔太短，客户端可能无法在处理主键时保留修饰键状态。结果就是大写字母变成小写、特殊字符变成数字，或者组合键只剩下主键。

设置 keyboardModifierDelay 后，Midscene 会分阶段发送这些事件，并在每个阶段之间等待。这样可以给桌面客户端留出识别和转发修饰键状态的时间。

VNC 全屏模式是已经验证过的典型场景。不过，这个问题并不只与 VNC 或远程控制有关。只要桌面客户端需要捕获或转发键盘事件，就可能受到输入时序的影响。

各项配置分别有什么作用？

keyboardModifierDelay：控制一次带修饰键输入过程中，各阶段之间的等待时间。它适用于 Control+S 等组合键，也适用于大写字母中隐含的 Shift。
keyboardTypeDelay：控制连续输入文本时，相邻字符之间的等待时间。
inputStrategy: 'sequential'：逐个输入文本字符，使 Midscene 可以为大写字母和特殊字符发送对应的按键序列。
keyboardLayout: 'en-US'：启用 en-US 键盘布局中的 Shift 字符映射，例如使用 Shift+1 输入 !。

拉丁大写字母不依赖 keyboardLayout。只有 !、@、# 等与键盘布局有关的 Shift 字符，才需要设置该选项。

Warning

只有本机和目标环境都使用 en-US 键位时，才能设置 keyboardLayout: 'en-US'。其他键盘布局可能使用不同的标点键位，或者需要 AltGr 等修饰键。

这个配置适用于哪些输入方式？

keyboardModifierDelay 只对本机 libnut 键盘驱动生效。

Windows 和 Linux 的本机桌面控制使用 libnut。
macOS 设置 keyboardDriver: 'libnut' 后，也会使用这条输入路径。
直接通过 RDP 协议输入时，该配置不生效。
macOS 使用默认的 AppleScript 键盘驱动时，该配置不生效。

AppleScript 使用另一套输入方式。它是否能被桌面客户端正确识别，仍取决于客户端的快捷键拦截、键盘模式和布局转换。

如何发送组合键？

通过 keyName 传入组合键。使用 + 连接修饰键和主键，并删除 + 两侧的空格。

// 向当前获得焦点的元素发送 Control+S。
await agent.aiKeyboardPress(undefined, {
  keyName: 'Control+S',
});

// 先定位终端窗口，再发送 Control+Shift+P。
await agent.aiKeyboardPress('终端窗口', {
  keyName: 'Control+Shift+P',
});

请使用 Control+S，不要使用 Control + S。

如果目标已经获得焦点，请将第一个参数设置为 undefined。这样可以避免额外点击改变当前选区或光标位置。

会有哪些信息发送到 AI 模型？

Midscene 会发送页面截图到 AI 模型。在某些场景下，例如调用 aiAsk 或 aiQuery 时传入 domIncluded: true，页面的 DOM 信息也会被发送。

如果你担心数据隐私问题，请参阅数据隐私。

你可以通过环境变量 MIDSCENE_MODEL_INIT_CONFIG_JSON 中的 defaultHeaders 来指定请求时附带的 header，例如：

# 在请求头中添加 key 为 "foo"，值为 "bar" 的 header
MIDSCENE_MODEL_INIT_CONFIG_JSON='{"defaultHeaders":{"foo":"bar"}}'

如果你的模型服务商文档里把这个字段写成 extra_headers 或 extraHeaders，Midscene 也会兼容这两种别名，并自动归一化到 defaultHeaders。多个别名同时存在时，优先级为：defaultHeaders > extra_headers > extraHeaders。

你可以通过 JSON 序列化来生成这个 JSON 的文本以避免手动拼接出错：

JSON.stringify({ defaultHeaders: { foo: 'bar' } })

如何使用 Azure OpenAI Service？

使用 Azure OpenAI Service 时，请先按照支持的模型与配置选择模型，并填写常规配置。Azure 只需要把模型服务地址和 API Key 换成 Azure 的写法：

MIDSCENE_MODEL_BASE_URL="https://<your-resource>.services.ai.azure.com/openai/v1" # 或 https://<your-resource>.openai.azure.com/openai/v1
MIDSCENE_MODEL_API_KEY="<your-azure-api-key>"

MIDSCENE_MODEL_NAME 和 MIDSCENE_MODEL_FAMILY 等配置，仍应按照支持的模型与配置中的对应模型说明填写。Azure 只是鉴权方式不同的模型供应商，并非一种特殊模型。

这会走普通 OpenAI-compatible 路径，以 Authorization: Bearer ... 请求头发送 POST /openai/v1/chat/completions。MIDSCENE_MODEL_BASE_URL 不要追加 /chat/completions。大多数 /openai/v1 端点不需要 api-version。

如果你的资源仍然以 400 Missing required query parameter: api-version 报错，说明该资源的 /openai/v1 surface 尚未 GA。可以通过 defaultQuery 注入这个查询参数：

MIDSCENE_MODEL_INIT_CONFIG_JSON='{"defaultQuery":{"api-version":"preview"}}'

api-version 的值按你的资源要求填写（preview，或 Azure 门户里显示的带日期版本，如 2025-01-01-preview）。这样每个请求都会变成 .../openai/v1/chat/completions?api-version=preview。

如果某个 Azure-compatible 网关只接受 api-key 请求头，可以额外添加下面的配置，通过 header 发送真实 API Key：

MIDSCENE_MODEL_API_KEY="placeholder"
MIDSCENE_MODEL_INIT_CONFIG_JSON='{"defaultHeaders":{"api-key":"<your-azure-api-key>"}}'

这里的 MIDSCENE_MODEL_API_KEY="placeholder" 只是为了满足 OpenAI SDK 的初始化要求，真实 API Key 会通过 defaultHeaders.api-key 发送。

当某个资源同时需要 api-version 和 api-key 请求头时，可以把两种兜底配置合并：

MIDSCENE_MODEL_API_KEY="placeholder"
MIDSCENE_MODEL_INIT_CONFIG_JSON='{"defaultQuery":{"api-version":"preview"},"defaultHeaders":{"api-key":"<your-azure-api-key>"}}'

Azure AD / keyless 鉴权（DefaultAzureCredential）的方式现在已经不再支持，请使用 API Key 的方式。

使用 Azure OpenAI 时点击坐标偏移

在使用 GPT-5 系列模型时，你可能会发现：同一份脚本在 OpenAI 官方 API 上点击位置正确，但切到 Azure OpenAI 后点击位置出现固定比例的偏移。这个偏移和分辨率相关：截图较大时（如 1920x1080）出现，截图较小时（如 1280x600）则正常。

原因在于 Azure 端的图片处理。GPT-5 返回的是基于它实际看到的截图尺寸的绝对坐标，而 Midscene 发送图片时带上了 "detail": "original"，让模型看到原始分辨率的图片（参见 GPT-5 说明）。Azure 没有正确处理 "detail": "original"，会在服务端对大图进行缩放（短边被压缩到 768）。于是模型在缩放后的坐标系里作答，而 Midscene 仍按原始分辨率还原坐标，最终产生按比例的偏移。可以通过 token 消耗来验证 original 是否生效：如果 original 生效，图片的 token 消耗会明显更高。

有两种规避办法：

使用 OpenAI 官方的 GPT-5，或配置其他模型单独用于定位，而只把 Azure 平台的 GPT-5 作为规划模型。
通过 Agent 参数 screenshotShrinkFactor 把截图预先缩放到较小尺寸，使图片不触发 Azure 的服务端缩放阈值。详见 screenshotShrinkFactor。

如何配置 midscene_run 目录？

Midscene 会将运行产物（报告、日志、缓存等）保存在 midscene_run 目录下。默认情况下，该目录会创建在当前工作目录下。

你可以通过环境变量 MIDSCENE_RUN_DIR 来自定义该目录的位置，支持相对路径或绝对路径：

# 使用相对路径
export MIDSCENE_RUN_DIR="./my_custom_dir"

# 使用绝对路径
export MIDSCENE_RUN_DIR="/tmp/midscene_output"

report/ - 测试报告文件（HTML 格式）
log/ - 调试日志文件
cache/ - 缓存文件（详见缓存）

更多全局运行参数请参考运行时配置。

如何提升运行效率？

有几种方法可以提高运行效率：

使用即时操作接口，如 agent.aiTap('Login Button') 代替 agent.ai('Click Login Button')。
尽量使用较低的分辨率，降低输入 token 成本。
更换更快的模型服务。
使用缓存来加速调试过程。更多详情请参阅缓存。

如何通过链接控制报告中播放器的默认回放样式？

在报告页面的链接后添加查询参数即可覆盖 Focus on cursor 和 Show element markers 开关的默认值，决定是否在报告中聚焦鼠标位置和元素标记。使用 focusOnCursor 和 showElementMarkers，参数值支持 true、false、1 或 0，例如：...?focusOnCursor=false&showElementMarkers=true。

如何把报告以纯播放器的形式嵌入其它页面?

当你需要把报告嵌入到别的页面(例如放进 iframe)时,在报告链接后添加 player-only=1 查询参数,即可隐藏所有外围界面(顶部栏、侧边栏、时间线和详情面板),只保留回放播放器。另外两个参数用来调整播放器:

play-control=1 —— 在 player-only 模式下显示底部播放控制条(默认隐藏)。仅接受 =1 开启。
auto-play —— 是否在加载后自动播放。它独立于 player-only,对所有报告播放器都生效。默认开启;添加 auto-play=0 可关闭自动播放。

典型的嵌入形如 ...?player-only=1&play-control=1。它同样可以和 #task-<id> 锚点组合使用,从而深链到某一具体步骤并只展示该步骤的播放器:...?player-only=1#task-0-5。若想让任意报告(无论是否嵌入)打开时不自动播放,使用 ...?auto-play=0。

元素定位出现偏移

如果在使用 Midscene 时遇到元素定位不准确的问题，可以按照以下步骤排查和解决：

1. 升级到最新版本

确保你使用的是最新版本的 Midscene，新版本通常包含定位准确性的优化和改进。

# Web 自动化
npm install @midscene/web@latest
# iOS 自动化
npm install @midscene/ios@latest
# CLI 工具
npm install @midscene/cli@latest
# 或者其他和你平台对应的 package

2. 使用更好的视觉模型

Midscene 的元素定位能力依赖于 AI 模型的视觉理解能力，所以请务必选择支持视觉能力的模型。

通常来说新版本、参数大的模型会比老版本、参数小的模型表现更好。比如 Qwen3-VL 会好于 Qwen2.5-VL，它的 plus 版本会好于 flash 版本。

当前的模型建议请参考支持的模型与配置。

3. 检查 Model Family 配置

确认你的模型配置中 MIDSCENE_MODEL_FAMILY 参数设置是否正确，MIDSCENE_MODEL_FAMILY 配置错误会影响 Midscene 对模型的适配逻辑。详见模型配置。

4. 优化提示词，结合视觉特征和位置信息

如果定位结果随机落在不相关的元素上，而且每次执行结果差异较大，通常说明模型无法理解图标按钮背后的语义。

以 aiTap('个人中心') 为例，这是一个功能性描述，模型可能并不了解个人中心图标具体的样式；而 aiTap('人形头像 icon') 是一个视觉性的描述，模型可以根据其视觉特征完成元素定位。

解决方法：优化提示词，结合视觉特征和位置信息来描述元素。

// ❌ 仅使用功能性描述
await agent.aiTap('个人中心');

// ✅ 使用视觉性描述
await agent.aiTap('人形头像 icon');

// ✅ 结合视觉特征和位置信息
await agent.aiTap('页面右上角的人形头像图标');

5. 开启 `deepLocate`

如果定位结果落在目标元素附近，但有若干像素的偏移，说明模型大概率已经识别对了目标，只是在定位时仍有偏差。

解决方法：开启 deepLocate 会对定位效果有明显提升。

await agent.aiTap('登录按钮', {
  deepLocate: true
});

更多关于 deepLocate 的说明，请参阅 API 文档。

6. 在 web 浏览器中将 dpr 提高到 2

如果你是在 web 浏览器里运行 Midscene，可以尝试将 dpr 提高到 2。一般 CI 环境中的默认 dpr 往往是 1，提高到 2 后页面会更清晰，对小元素的定位效果通常会更好。

需要注意的是，这会消耗更多 token。

aiAct 中模型规划了错误的滚动和滑动方向

如果在 aiAct() 中遇到模型规划了错误的滚动或滑动方向，有可能是因为自然语言中的方向描述带有歧义。

以“向下滚动”为例，它可能表示下面几种情况：

鼠标滚轮向下滚动：按 Windows 常见的鼠标滚轮设置，页面内容会向上移动。
手指在屏幕上向下滑动：页面内容会跟随手指向下移动。
期望看到页面下方的内容：需要结合设备的操作方式，确定手指或鼠标滚轮应该向哪个方向操作。

因此，模型规划的方向与预期不同，可能是因为它对指令中的方向有了不同的理解。

一个比较好的减少歧义的方式是，在指令中明确表达想要达到的结果，例如：

“向下滚动页面到页脚”。
“向上滚动日期选择器使日期增加”。
“向右滚动页面查看右边 tab 的内容”。

即使模型和你对方向词的理解不同，清晰的目的也有助于模型规划正确的操作方向。

Midscene 会优先要求模型根据滚动和滑动的目的确定操作方向。对于“向下滚动”“向下滑动”这类模糊指令，如果结合上下文仍无法明确意图，则使用以下默认约定：

scroll：方向按希望查看的屏外内容方向解释。例如，scroll down 表示查看页面下方的内容。
swipe：方向按手指移动方向解释。例如，swipe down 表示手指向下移动。

豆包手机是否使用了 Midscene 作为底层方案？

没有。

#常见问题 FAQ

#各平台常见问题

#操作 VNC 等桌面客户端时，为什么会丢失大写字母或修饰键？

#为什么增加间隔可以解决问题？

#各项配置分别有什么作用？

#这个配置适用于哪些输入方式？

#如何发送组合键？

#会有哪些信息发送到 AI 模型？

#我的模型服务商需要在请求中添加指定的 header

#如何使用 Azure OpenAI Service？

#使用 Azure OpenAI 时点击坐标偏移

#如何配置 midscene_run 目录？

#如何提升运行效率？

#如何通过链接控制报告中播放器的默认回放样式？

#如何把报告以纯播放器的形式嵌入其它页面?

#元素定位出现偏移

#1. 升级到最新版本

#2. 使用更好的视觉模型

#3. 检查 Model Family 配置

#4. 优化提示词，结合视觉特征和位置信息

#5. 开启 deepLocate

#6. 在 web 浏览器中将 dpr 提高到 2

#aiAct 中模型规划了错误的滚动和滑动方向

#豆包手机是否使用了 Midscene 作为底层方案？