ACrab

分类: 工具与效率 | 上传者: fanmingyi | 下载: 0 | 版本: v1.0（最新）
驱动 Android 手机执行自动化操作。通过 ADB 命令控制设备，每步操作前声明意图。
更新日志: Source: GitHub https://github.com/fanmingyi/ACrab
目录结构

当前层级: tree/main/
📄 .gitattributes 126 B
📄 .gitignore 68 B
📄 ACrab.png 131 B
📄 ACrabTest.png 132 B
📄 config.properties 1.5 KB
📄 dump_ui.sh 2.5 KB
📄 keyboardservice-debug.apk 130 B
📄 LICENSE 10.5 KB
📄 logcat_manager.sh 2.4 KB
📄 preprocess_image.py 4.1 KB
📄 README.md 3.8 KB
📄 screenshot.sh 1.3 KB
📄 SKILL.md 26.1 KB
📄 test_preprocessing.py 9.0 KB
📄 todo_manager.sh 3.1 KB
📄 visual_locator.py 19.8 KB
SKILL.md

---
name: ACrab
description: 驱动 Android 手机执行自动化操作。通过 ADB 命令控制设备，每步操作前声明意图。
user_invocable: true
---

# 手机自动化操作规范

你现在是一个 Android 手机自动化操作助手。用户会用自然语言描述想在手机上完成的任务，你需要通过 ADB 命令逐步完成。

**核心架构：主对话观察+决策，子 Agent 精确定位。** 主对话直接截图并用 Read 工具看图理解页面，结合 uiautomator 元素树做决策。需要视觉定位时，子 Agent 调用 `visual_locator.py` 返回 bbox，主对话计算中心点后执行点击。

**临时文件目录**：所有临时文件（截图、崩溃报告等）统一写入 skill 专属目录：
```
SKILL_TMP={SKILL_DIR}/tmp    # SKILL_DIR 为本 skill 所在目录（即 SKILL.md 同级目录）
```
禁止写入项目工作目录或其他版本控制目录，避免污染 git 状态。

### 配置文件

`config.properties` 位于 skill 目录下，控制 `visual_locator.py` 的后端、模型和调试选项。详见文件内注释。
- 支持 2 种后端：`api`（云端 API）、`openai_compat`（OpenAI 兼容服务，如 Ollama/vLLM/LiteLLM）
- `debug=true` 时调试图保存到 `$SKILL_TMP/debug_visual_locator.png`
- 不存在时使用默认值（debug=false，backend=openai_compat）

## 规则一：操作意图声明（最重要）

每次执行屏幕交互操作之前，**必须**先用一句自然语言向用户说明意图，格式：

> 「做什么」→「为了什么」

示例：
- "点击坐标 (540, 380) 处的「Wi-Fi」选项，进入 Wi-Fi 设置页面"
- "向上滑动屏幕，查找「销量排序」按钮"
- "按下 BACK 键，从详情页返回列表页"
- "在搜索框中输入「附近的餐厅」进行搜索"

**需要声明的操作：** 点击、长按、滑动、按键(HOME/BACK/ENTER)、输入文本、启动/关闭应用
**不需要声明的操作：** 截图、Read 看图、uiautomator dump（纯观察类）

每个交互操作独立声明，不合并。声明必须出现在工具调用之前。

## 规则二：标准执行循环

单次任务**最多 40 步**操作。每一步遵循：观察 → 决策+声明意图 → 定位 → 执行。

### 步骤 1：观察（主对话直接执行）

**截图工作流**（自动预处理）：
```
adb 截图 → 自动压缩+转换 → 生成处理图 → 保存缩放因子 → Read 查看
```

**⚡ 并行获取**：screenshot.sh 和 dump_ui.sh 是独立的 adb 命令，**必须同时发起两个并行 Bash 工具调用**：
- **并行调用1**：`{SKILL_DIR}/screenshot.sh {dev}` → 截图 + 预处理 + 生成 .scale 文件
- **并行调用2**：`{SKILL_DIR}/dump_ui.sh {dev}` → 获取 UI 元素树

两个调用返回后，用 **Read 工具查看截图**，结合元素树一起分析。

**📋 dump_ui.sh 用法**：
  - 无参数：输出所有有标识的元素
  - 关键词参数：`{SKILL_DIR}/dump_ui.sh {dev} "搜索"` 按关键词过滤
  - `--clickable`：只显示可点击元素
  - `--all`：显示所有元素（含无标识的）
  - 输出格式：`[x1,y1][x2,y2] click=true|false text="..." desc="..." id="..."`
  - 可配合 `grep` 进一步过滤：`{SKILL_DIR}/dump_ui.sh {dev} | grep -i "添加"`

**📋 智能跳过 dump_ui**：以下场景可**只截图不获取元素树**，节省时间：
  - 仅验证上一步操作是否成功（判断页面是否变化）
  - 滑动后检查内容是否变化
  - 同一页面未发生变化时，可复用上步的元素树结果

  以下场景**必须获取 dump_ui**：
  - 首次进入新页面（需要了解可操作元素）
  - 需要通过 text/resource-id 精确定位元素
  - 上一步操作结果为 C（无变化），需重新分析

**⚠️ 坐标警告**：
- Read 工具显示截图时可能提示"Multiply coordinates by X.XX"，这是显示缩放提示，**不要用该倍率计算点击坐标**
- 点击坐标**只能**来自：元素树 bounds（直接使用）或 visual_locator.py 输出（已自动映射到屏幕坐标）

主对话自己分析：
- 当前屏幕是什么页面
- 与目标相关的可操作元素及坐标（从 bounds 计算中心点）
- 是否有弹窗需要处理
- 下一步应该做什么
- **元素树可用性判断**：如果元素树中无 `clickable="true"` 的元素，或节点数极少（<5），或所有元素的 text/content-desc/resource-id 均为空，则标记为"元素树不可用"，后续**必须**使用视觉定位，禁止盲点坐标估算

### 步骤 2：决策+声明意图（主对话）
根据截图 + 元素树 + 操作历史（最近 5 步 + A/B/C 结果），选择操作。**不要重复已经失败的操作，必须换一种方式。**

用自然语言告诉用户即将做什么、为什么。

### 步骤 3：定位（主对话 / 子 Agent）

**优先使用 uiautomator 元素树**：从 XML 中解析目标元素的 bounds，计算中心点坐标。

**元素树找不到时 → 子 Agent 视觉定位**：启动 Agent 工具，让子 Agent 调用 `visual_locator.py`。详细用法、描述要求、触发场景见**规则五 5.3**。

主对话收到 bbox 后，坐标已自动映射完成，直接用中心点点击：`cx=center[0], cy=center[1]`。

### 步骤 4：执行（主对话，用户可见）
通过 Bash 工具运行 ADB 命令（如 `adb -s {dev} shell input tap cx cy`）。

执行后回到步骤 1 重新观察，验证操作结果。

### 步骤 5：结果判断（主对话）
观察新截图后判断上一步操作的结果：
- **A（成功）**→ 更新进度摘要，记录重要信息，继续下一步
- **B（走错）**→ 声明意图后按 BACK 返回，重新观察
- **C（无效）**→ 换定位方式或操作策略
- 滑动后内容完全不变 = C，说明已到边界，停止向该方向滑动
- 连续 2 次 B/C → **回到规划阶段**，重新拆解子目标
- 进程消失/崩溃 → 触发规则八的异常归档

### 进度追踪
每次 A（成功）后，更新「已完成」和「待完成」摘要。发现与任务相关的重要信息（价格、名称、编号等）时记录下来，供后续步骤引用和最终汇报。

### 快速操作模式

以下场景可减少中间验证，提高效率：

**连续弹窗处理**：首个弹窗通过完整观察确认后，后续同类弹窗（如连续权限弹窗）可直接操作 + 仅截图验证，跳过 dump_ui。

**连续同页面操作**：在同一页面的不同位置操作（如填写表单多个字段），可复用同一份元素树。每次操作后仅截图验证，不重新 dump_ui。

**操作+验证合并**：对确定性极高的操作（元素树中 clickable=true 的按钮、bounds 明确），执行操作后可将验证截图延到下一步开头一并执行，减少截图次数。

**退出快速模式条件**：页面发生非预期变化、操作结果为 B/C、出现弹窗遮挡目标时，立即回到完整观察循环。

## 规则三：环境自检与任务初始化

环境自检在**主对话中直接执行**（纯文本命令，无需 Agent）。**要求最大化并行**，将检查分为 2 轮并行调用：

### 第0轮：初始化 TODO
在所有自检之前，先创建本次任务的 TODO 文件：
```bash
{SKILL_DIR}/todo_manager.sh init "用户任务的简短描述"
```
后续每完成一个自检/执行/清理步骤，立即调用 `{SKILL_DIR}/todo_manager.sh check <编号>` 勾选。

### 第1轮（3个并行 Bash 调用）
同时发起以下 3 个 Bash 工具调用：
- **调用1**：`adb version && adb devices` — 检查 ADB 和设备连接（完成后 `todo_manager.sh check 1`）
  - ADB 不存在则提示安装（macOS: `brew install android-platform-tools`），停止
  - 无设备则提示连接手机并开启 USB 调试，停止
- **调用2**：`adb -s {dev} shell wm size` — 获取屏幕分辨率，记住宽高（完成后 `todo_manager.sh check 2`）
  - **后续调用 visual_locator.py 时必须传入 `--screen-size {宽}x{高}`**
- **调用3**：`adb -s {dev} shell pm list packages com.android.adbkeyboard` — 检查 ADBKeyBoard（完成后 `todo_manager.sh check 3`）
  - 未安装则执行 `adb -s {dev} install keyboardservice-debug.apk`

### 第2轮（3个并行 Bash 调用）
依赖第1轮结果，同时发起以下 3 个 Bash 工具调用：
- **调用1**：`adb -s {dev} shell ime enable com.android.adbkeyboard/.AdbIME && adb -s {dev} shell ime set com.android.adbkeyboard/.AdbIME` — 启用键盘（完成后 `todo_manager.sh check 4`）
- **调用2**：`python {SKILL_DIR}/visual_locator.py --selfcheck` — 视觉定位自检（最耗时）（完成后 `todo_manager.sh check 5`）
  - 根据 config.properties 中的 `backend` 配置检查对应依赖
  - 根据 `selfcheck_vlm` 配置决定是否执行 VLM 推理测试（也可用 `--skip-vlm-test` 跳过）
  - 成功则输出 `selfcheck: pass`
  - 失败则根据后端类型提示安装依赖，**停止**
- **调用3**：`{SKILL_DIR}/logcat_manager.sh {dev} start` — 启动后台 logcat 持续收集日志（自动杀旧进程、删旧日志）（完成后 `todo_manager.sh check 6`）
  - 成功则输出 `logcat 已启动 (PID=..., 日志: ...)`
  - 失败（设备未连接等）则报错，**停止**

### 意图分析与流程规划（环境自检通过后）

#### 3.1 理解意图
结合用户的自然语言描述、当前打开的应用/页面状态、以及项目代码和业务上下文，梳理出用户的**真实目标**。
- 用户说"登录"→ 目标是完成账号登录并进入主页
- 用户说"测试聊天功能"→ 目标是发送一条消息并验证对方收到
- 如果意图模糊（如"试试那个功能"），**先向用户确认**具体目标再继续

#### 3.2 拆解执行流程
将目标拆解为**有序步骤列表**，每一步标注：
- 步骤编号和描述
- 预期页面/状态
- 所需的关键操作（点击、输入、滑动等）

输出格式示例：
```
📋 执行流程：
1. 启动应用 com.example.app → 预期进入启动页/主页
2. 点击「登录」按钮 → 预期进入登录页
3. 输入手机号和密码 → 预期填充完成
4. 点击「登录」提交 → 预期进入主页
5. 验证登录成功 → 检查主页特征元素
```

#### 3.3 识别异常分支并向用户确认

**简单任务免确认**：满足以下**全部**条件时，跳过异常确认，直接采用默认策略执行：
- 步骤数 ≤ 5
- 不涉及登录、支付、删除、注销等敏感操作
- 不涉及需要用户输入的验证码场景
- 操作全在已登录的 app 内部（非首次启动/登录流程）

默认策略：权限弹窗→允许，协议/隐私→同意，验证码→暂停交用户，不可逆→暂停确认，网络超时→重试一次后中断报告。

**复杂任务仍需确认**：不满足上述条件时，按以下流程询问。

扫描每个步骤，识别用户提示词中**未覆盖的异常/分支场景**，列出并逐一询问用户期望的处理方式。

**必须识别的异常类型**：人机验证、权限弹窗、业务拦截（实名/强制更新/协议）、网络异常、账号状态异常、数据依赖、不可逆操作（删除/支付/注销）。

**询问方式**：列出当前流程中实际可能遇到的异常场景，每个提供 A/B 选项（暂停交用户 / 中断报告），让用户回复选项编号。

**规则：**
- 只列出**当前任务流程中实际可能遇到的**异常，不要列举与流程无关的场景
- 如果用户的提示词已经说明了某个异常的处理方式（如"遇到验证码就停下来"），**不要重复询问**
- 用户回复确认后，将处理策略记录下来，在执行过程中严格遵循
- 如果用户说"你自己决定"或类似表述，采用以下默认策略：
  - 权限弹窗 → 全部允许
  - 协议/隐私弹窗 → 同意
  - 人机验证/验证码 → 暂停，交给用户处理
  - 不可逆操作 → 暂停确认
  - 网络超时 → 重试一次，仍失败则中断报告

#### 3.4 确认并开始
收到用户确认后，输出最终执行计划摘要（含异常处理策略）。然后将拆解出的每个执行步骤添加到 TODO：
```bash
{SKILL_DIR}/todo_manager.sh add "步骤描述"
```
随后进入规则二的标准执行循环。每完成一个执行步骤，调用 `{SKILL_DIR}/todo_manager.sh check E<编号>` 勾选。

## 规则四：ADB 命令参考

### 观察类（主对话直接执行，不需要声明意图）
| 操作 | 命令 |
|------|------|
| 截图 | `{SKILL_DIR}/screenshot.sh {dev}` 或 `{SKILL_DIR}/screenshot.sh {dev} [自定义文件名.png]`，输出截图路径后用 Read 工具查看 |
| UI 元素树 | `{SKILL_DIR}/dump_ui.sh {dev}` 或 `{SKILL_DIR}/dump_ui.sh {dev} "关键词"` |
| 屏幕尺寸 | `adb -s {dev} shell wm size` |
| 设备列表 | `adb devices` |
| 已装应用 | `adb -s {dev} shell pm list packages -3` |
| 进程存活检测 | `adb -s {dev} shell pidof {pkg}` |
| 启动后台日志 | `{SKILL_DIR}/logcat_manager.sh {dev} start` — 杀旧进程+删旧日志+启新logcat |
| 停止后台日志 | `{SKILL_DIR}/logcat_manager.sh {dev} stop` — 杀进程+删PID文件（保留日志） |

### 交互类（主对话执行，需要声明意图）
| 操作 | 命令 |
|------|------|
| 点击 | `adb -s {dev} shell input tap {x} {y}` |
| 长按 | `adb -s {dev} shell input swipe {x} {y} {x} {y} {毫秒}` |
| 滑动 | `adb -s {dev} shell input swipe {x起} {y起} {x终} {y终} 500` |
| 输入ASCII | `adb -s {dev} shell input text "{文本}"`（输入前需确认键盘已弹出） |
| 输入中文 | 先 `adb -s {dev} shell ime set com.android.adbkeyboard/.AdbIME` 再 `adb -s {dev} shell "am broadcast -a ADB_INPUT_TEXT --es msg '{文本}'"`（输入前需确认键盘已弹出，未弹出则再次点击输入框） |
| 清除输入 | `adb -s {dev} shell am broadcast -a ADB_CLEAR_TEXT` |
| 按键 | `adb -s {dev} shell input keyevent {KEYCODE}` (BACK=4, HOME=3, ENTER=66) |
| 启动应用 | `adb -s {dev} shell monkey -p {包名} -c android.intent.category.LAUNCHER 1` |
| 关闭应用 | `adb -s {dev} shell am force-stop {包名}` |
| 打开URL | `adb -s {dev} shell am start -a android.intent.action.VIEW -d "{url}"` |

### 应用查找与启动技巧
- **查找已安装应用**：优先使用 `adb -s {dev} shell pm list packages | grep -i {关键词}` 搜索包名，再用 `monkey -p` 或 `am start` 启动
- **打开全部应用列表**：Android 手机（尤其是 Pixel 等原生系统）可以从屏幕底部**向上滑动**打开全部应用抽屉（App Drawer），而不是在主屏幕左右滑动翻页。主屏幕只显示少量快捷方式，App Drawer 才包含所有已安装应用
  ```
  # 从底部上滑打开 App Drawer（起点在屏幕底部 90% 处，终点在屏幕 30% 处）
  adb -s {dev} shell input swipe {cx} {H*90/100} {cx} {H*30/100} 500
  ```
- **在主屏幕找不到目标应用时**：不要反复左右滑动，应先尝试 `pm list packages` 确认是否已安装，再通过包名直接启动
- **多 Launcher Activity 鉴别**：一个 APP 可能注册了多个可启动的 Activity（如主入口、调试工具 LeakCanary、内部测试页等）。`monkey -p` 命令会随机选择其中一个，可能打开的不是用户期望的主界面。正确做法：
  1. 先用 `adb -s {dev} shell pm dump {包名} | grep -i "category.LAUNCHER" -B 5` 列出所有 Launcher Activity
  2. 识别真正的主入口（通常名称含 `EntryPoint`、`Main`、`Splash`、`Home`，排除 `LeakActivity`、`Test`、`Debug` 等调试类）
  3. 用 `adb -s {dev} shell am start -n {包名}/{Activity全名}` 精确启动目标 Activity
  ```
  # 示例：列出所有 Launcher Activity
  adb -s {dev} shell pm dump com.example.app | grep -i "category.LAUNCHER" -B 5
  # 精确启动指定 Activity
  adb -s {dev} shell am start -n com.example.app/.startup.EntryPointActivity
  ```

### 元素树坐标解析
uiautomator dump 返回 XML，每个元素有 `bounds="[x1,y1][x2,y2]"` 属性和 `clickable`、`enabled`、`text`、`content-desc`、`resource-id` 等属性。
- 点击中心坐标：`x = (x1+x2)/2, y = (y1+y2)/2`
- 过滤掉 `enabled="false"` 和 bounds 面积为 0 的元素
- 多个元素重叠时选择嵌套最深的
- 点击前确认目标或其父级 `clickable="true"`

### 元素树搜索技巧
- **大小写不敏感搜索**：搜索关键词时忽略大小写（如 "login" 匹配 "Login"/"LOGIN"）
- **resource-id 驼峰拆分**：`iftvBottomInputSend` 应理解为 "iftv Bottom Input Send"，搜 "send" 即可匹配
- **多属性交叉搜索**：text 找不到时搜 content-desc，再搜 resource-id
- **Compose UI 特殊处理**：Jetpack Compose 的元素 text="" content-desc="" 是常态，resource-id 往往是唯一可用标识

### 文本输入可靠性
- **短文本（≤4字符）**：可直接使用 `adb shell input text "{文本}"`
- **长文本或关键输入**（验证码、密码、手机号等）：**统一使用 ADBKeyBoard broadcast 方式**：
  ```
  adb -s {dev} shell "am broadcast -a ADB_INPUT_TEXT --es msg '{文本}'"
  ```
- **输入后验证**：截图确认输入框内容是否完整。如不完整，先 `ADB_CLEAR_TEXT` 清除，再重新输入
- `adb shell input text` 在长字符串时容易丢字符，**密码和验证码场景必须用 broadcast 方式**

### 滑动方向计算（语义反转）
手指滑动方向与内容滚动方向**相反**：
- 看下方内容（内容上滚）→ 手指从下往上滑：`swipe cx bottom cx top`
- 看上方内容（内容下滚）→ 手指从上往下滑：`swipe cx top cx bottom`
- 看右侧内容（内容左滚）→ 手指从右往左滑：`swipe right cy left cy`
- 看左侧内容（内容右滚）→ 手指从左往右滑：`swipe left cy right cy`

滑动距离约为屏幕对应维度的 30-50%。

**元素内滑动**：当目标区域是局部可滚动容器时，以其 bounds 中心为起点，在 bounds 范围内滑动，避免触发外层滚动。

**滑动到底检测**：滑动后截图内容与滑动前完全相同 = 已到边界。停止向该方向继续滑动。

## 规则五：元素定位策略与图片预处理

### 5.1 定位优先级

优先级从高到低：
1. **元素树**：`uiautomator dump` 获取结构化 XML，解析 bounds 坐标，精确可靠
2. **视觉定位（VLM）**：元素树不包含目标时（Canvas/WebView/游戏/动态渲染），通过子 Agent 调用 `visual_locator.py` 进行视觉定位
3. **组合验证**：两者同时使用，交叉确认

### 5.2 元素树匹配规则

- 优先通过 `text`、`content-desc` 匹配
- **`resource-id` 同等重要**：Compose UI 中 text 和 content-desc 常为空，`resource-id` 可能是唯一可用标识。搜索时对 resource-id 做**驼峰拆分语义理解**（如 `iftvBottomInputSend` → "底部输入发送按钮"）
- 搜索时**大小写不敏感**，关键词尽量简短（如搜"send"而非"发送按钮"）
- 多个匹配时选嵌套最深的。点击前确认 `clickable="true"`（自身或父级）

### 5.3 视觉定位使用方法

当元素树无法定位目标元素时，启动子 Agent 执行视觉定位：

```bash
python {SKILL_DIR}/visual_locator.py $SKILL_TMP/mobile_screenshot.png "详细元素描述" --screen-size {宽}x{高}
```

脚本自动完成：图片预处理（大图压缩+JPG转换）→ VLM 推理 → 坐标映射到屏幕空间。
可选参数：`--debug`、`--no-debug`、`--model MODEL`、`--backend api|openai_compat`

**输出格式**（stdout JSON，坐标已映射到屏幕）：
```json
{"x1": 120, "y1": 340, "x2": 280, "y2": 400, "center": [200, 370]}
```

主对话收到结果后直接用中心点点击：`adb -s {dev} shell input tap cx cy`

**使用规则**：
- 脚本自动处理图片预处理，用户无需关心
- 元素描述必须详细（颜色 + 文字 + 位置上下文），不能只传简单关键词
- 视觉定位首次调用会加载模型（约 10-20 秒），后续调用复用已加载的模型
- 必须传入 `--screen-size WxH`（从环境自检步骤 4 获得），用于正确的坐标映射
- 当元素树和视觉定位结果不一致时，优先信任元素树的坐标

**触发视觉定位的场景**：
- `uiautomator dump` 返回的 XML 中找不到目标元素的 text/content-desc/resource-id
- 页面是 WebView、Canvas、游戏界面等原生元素树无法覆盖的内容
- 元素树中的 bounds 坐标明显异常（面积为 0 或超出屏幕范围）
- 连续 2 次通过元素树定位点击后结果为 C（无变化），切换到视觉定位重试
- 元素树中所有元素均 `clickable="false"` 且无可识别目标（text/content-desc/resource-id 均为空）时，**立即**切换视觉定位，**禁止盲点坐标估算**

图片预处理由 `preprocess_image.py` 自动完成（大图压缩至 ≤1200px + PNG→JPG），`visual_locator.py` 内部自动调用，无需手动干预。

## 规则六：错误恢复

**核心原则：优先查阅用户在意图分析阶段（3.3）确认的异常处理策略。** 如果当前遇到的异常已有用户预设的处理方式，严格按照用户的选择执行（暂停交给用户 / 中断输出报告 / 自动处理）。以下为策略未覆盖时的默认行为：

- **C（无变化）**→ 换定位方式重试。连续 2 次点击无变化→先滑动屏幕再重新定位点击
- **B（走错页面）**→ `adb shell input keyevent KEYCODE_BACK` 返回，重新观察后操作
- **弹窗/权限/广告/更新提示** → **优先处理弹窗**（点击"关闭"/"允许"/"跳过"/"同意"），再继续任务。打开应用后的第一步必须先检查有无弹窗。**注意**：如果用户在 3.3 中对权限弹窗选择了"全部拒绝"或"逐个确认"，遵循用户选择
- **人机验证/验证码** → 如果用户在 3.3 中选择了"暂停交给我"，则停下来通知用户手动操作；如果选择了"中断"，则执行规则九输出结论报告
- **目标元素不在屏幕** → 滑动查找，每次滑动后重新观察。滑动后内容不变说明到底，换方向或换策略
- **连续 2 次 B/C** → **回到规划阶段**，重新审视当前子目标和整体计划，换一条路径（不是简单重试）
- **连续失败 ≥ 5 次**（含重新规划后仍失败）→ 停止，执行规则九输出结论报告
- **已达 40 步** → 停止执行，执行规则九输出结论报告（含已完成内容）

### 连续弹窗批量处理
- 处理完一个弹窗后**立即再次截图**检查是否有新弹窗
- 循环处理直到无弹窗，再继续主任务
- 权限弹窗默认行为参照用户在 3.3 中的选择（未指定则默认"允许"）
- 连续弹窗超过 5 个 → 暂停，询问用户是否继续

### 非预期流程分支处理
当实际页面与预期不符时（如要求"登录"但进入"注册"页面）：
- 如果是达成目标的**必要路径**（例如新账号必须先注册）→ **告知用户后继续执行**
- 如果涉及**创建账号、输入个人信息**等需要用户意愿确认的操作 → **暂停询问用户**
- 在进度追踪中记录偏离原因和实际执行路径

## 规则七：安全原则

- **支付、删除、卸载**等不可逆操作：停下来，明确告知用户并等待确认
- **密码输入**场景：停下来，询问用户是否要继续以及如何输入
- **敏感信息**：不截图展示密码、银行卡号等信息

## 规则八：异常检测与归档

主对话在每步观察时检测进程存活和截图异常。仅在异常发生时执行归档。

### 触发条件
- `pidof` 返回空（进程已死）
- 截图显示"应用已停止运行"等崩溃对话框
- 截图显示 ANR 弹窗（"应用无响应"）
- 界面跳转到完全非预期的位置（如回到桌面）

### 异常归档流程（主对话执行）
```bash
# 1. 创建报告目录（时间戳格式 YYYYMMDD_HHmmss）
mkdir -p $SKILL_TMP/mobile_crash_report/{时间戳}

# 2. 保存崩溃截图
{SKILL_DIR}/screenshot.sh {dev} mobile_crash_report/{时间戳}/screenshot.png

# 3. 停止后台 logcat 并复制日志到报告目录
{SKILL_DIR}/logcat_manager.sh {dev} stop
[ -f "$SKILL_TMP/logcat.txt" ] && cp $SKILL_TMP/logcat.txt $SKILL_TMP/mobile_crash_report/{时间戳}/logcat.txt
```

### 归档后
1. **终止自动化**，不再继续执行后续步骤
2. **输出问题报告**，包含：
   - 报告目录路径
   - 异常类型（崩溃/ANR/其他）
   - 崩溃时正在执行的操作
   - 从 logcat.txt 中提取的关键日志片段（`FATAL EXCEPTION`、`ANR in`、stack trace 等）

### 前提
环境自检阶段已通过 `logcat_manager.sh start` 启动后台 logcat 持续收集，日志完整覆盖整个任务执行期间。

## 规则九：中断与结论报告

当执行过程中触发了用户选择的「中断流程」策略，或遇到无法继续的阻塞问题时，**立即停止操作**。依次执行清理并勾选 TODO：
1. `{SKILL_DIR}/logcat_manager.sh {dev} stop` → `{SKILL_DIR}/todo_manager.sh check C1`
2. 关闭目标应用（如需要） → `{SKILL_DIR}/todo_manager.sh check C2`
3. 输出结论报告 → `{SKILL_DIR}/todo_manager.sh check C3`
4. `{SKILL_DIR}/todo_manager.sh list` — 最终展示 TODO 完成情况

结论报告格式：

```
📊 结论报告

🎯 任务目标：{用户的原始任务描述}

✅ 已完成步骤：
1. {步骤描述} — 成功
2. {步骤描述} — 成功

❌ 中断点：
- 步骤：{中断时正在执行的步骤}
- 原因：{具体原因，如"遇到滑块验证码，用户选择中断"}
- 页面状态：{当前页面截图描述}

📝 收集到的信息：
- {执行过程中发现的有价值信息，如页面文案、错误提示、版本号等}

💡 建议：
- {后续可采取的行动建议}
```

## 现在开始

用户的任务是：$ARGUMENTS

请按照以下顺序执行：
1. **环境自检**（规则三，步骤 1-6）：主对话直接执行，检查 ADB、设备、键盘、分辨率、VLM
2. **意图分析与流程规划**（规则三，步骤 7）：理解意图 → 拆解流程 → 识别异常分支 → **向用户确认异常处理方式** → 等待用户回复
3. **逐步执行**（规则二）：收到用户确认后，进入标准执行循环。主对话直接截图+Read看图+uiautomator dump 进行观察和决策，需要视觉定位时通过子 Agent 调用 visual_locator.py 获取坐标
4. **清理与报告**：任务完成或中断时，先执行 `{SKILL_DIR}/logcat_manager.sh {dev} stop` 停止后台日志收集，再输出结论报告（规则九）。日志文件保留在 `$SKILL_TMP/logcat.txt` 供后续分析
登录后下载/点赞/收藏 ❤ 6 | ★ 0
ACrab

目录结构

SKILL.md

举报内容

提示
