方法参考

Qirabot 的每个公开方法及其完整签名。构造参数见配置;各底层动作在每个平台的行为见平台支持矩阵。

先说明两点:

target 永远是第一个参数:bot.open() 返回的 page、你自己的 Playwright page / Selenium / Appium driver、 AdbDevice / WdaClient / Window,或 pyautogui 模块。在 bind 绑定的 bot 上,它从所有调用中消失。
right_click、hover、clear_text、drag 之类的动作出现在平台矩阵里,但不是直接的 bot.* 方法——它们是模型在 ai() 运行中使用的工具。

通用参数

AI 定位动作和 AI 操作共享这些关键字参数——在此统一说明:

参数	默认值	含义
`timeout`	`0.0`	自动等待:轮询到元素出现(最长这么多秒)再执行动作;`0` 立即执行。超时抛 `QirabotTimeoutError`。
`interval`	`2.0`	自动等待的轮询间隔(秒)。
`wait`	`""`	覆盖 `timeout` 使用的自动推导的存在性断言。
`retry`	构造函数的 `retry`	按调用覆盖瞬时失败的重试次数。
`model_alias`	构造函数的	按调用覆盖模型档位。
`language`	构造函数的	按调用覆盖响应语言。

会话与生命周期

bind()

python

bind(target) -> bound bot

一次固定目标;之后下面的每个方法都省去第一个参数。 with Qirabot().bind(driver) as bot: 同样可用。见自定义 Adapter 与挂载。

open()

python

open(url="", headless=False, *, viewport=(1280, 800), user_data_dir="",
     channel="", args=None, cdp_url="") -> page

启动 Chromium(需要 qirabot[browser])并返回 Playwright page。 channel 使用已安装的浏览器("chrome"、"msedge");user_data_dir 保持持久化的用户配置;args 是额外的 Chromium 启动参数列表;cdp_url 附加到已运行的 Chrome 而不是新启动(与各启动选项互斥)。无显示器的机器上自动降级为 headless 并给出警告。见浏览器。

current_page()

python

current_page(target) -> page

当前活动的页面/目标——点击打开新标签页后,可能与最初传入的不同。主要用于 bind 绑定的 bot,因为你看不到返回的 page。

close()

python

close() -> None

释放仍按住的输入、停止录屏、写出 HTML 报告、关闭 open() 启动的资源,并把服务端任务标记完成。atexit 和上下文管理器退出时自动调用。绝不关闭你自己创建的浏览器/driver。

fail() / cancel()

python

fail(error_message="") -> None
cancel(reason="") -> None

记录 close() 默认上报的“成功完成”之外的终态:fail() 把任务标记为失败,cancel() 标记为主动中止。在 close() 之前调用。

report_dir / task_id

属性:每次运行的输出目录(./qira_runs/<date>/<time-id>/)和服务端任务 id。

AI 定位动作

全部返回当前目标——浏览器上点击可能打开新标签页,记得重新赋值 (page = bot.click(page, ...))。全部接受通用参数。

click()

python

click(target, locate, *, modifier="", timeout=0.0, interval=2.0, wait="",
      retry=None, model_alias="", language="") -> target

locate 是自然语言的元素描述(任何语言均可)。modifier 在点击前后按住修饰键——"alt"、"ctrl+shift"——仅桌面后端。

double_click()

python

double_click(target, locate, *, <common>) -> target

触屏平台用两次快速点按。

type_text()

python

type_text(target, locate, text, *, press_enter=False,
          clear_before_typing=False, <common>) -> target

定位输入框、聚焦、输入 text(中文/emoji 均可)。空 locate 跳过 AI 定位,输入到当前拥有键盘焦点的元素——无 AI、不计费;该模式下 timeout/wait 被忽略。

long_press()

python

long_press(target, locate, *, duration=2.0, <common>) -> target

仅触屏平台(Android/iOS)——浏览器/桌面抛 NotImplementedError。

mouse_down() / mouse_up()

python

mouse_down(target, locate, *, <common>) -> target
mouse_up(target, locate="", *, <common>) -> target

拆分的按下/释放,用于按住拖动——仅桌面后端。mouse_up 不传 locate 时在当前光标位置释放(无 AI、不计费)。ai() 运行结束和 close() 时自动释放仍按住的输入。

key_down() / key_up()

python

key_down(target, key) -> target
key_up(target, key) -> target

在执行其他动作期间按住某个键(仅桌面后端)。无 AI、不计费。

AI 操作

ai()

python

ai(target, instruction, max_steps=20, *, on_step=None, model_alias="",
   language="", custom_tools=None, exclude_tools=None) -> RunResult

自主循环:截图 → 决策 → 执行,直到完成或达到 max_steps。每步之后以 StepResult 为参数调用 on_step。custom_tools 把你的 Python 函数注册为可调用工具;exclude_tools 按动作名移除内置工具—— 两者详见 AI 任务与自定义工具。

extract()

python

extract(target, instruction, *, retry=None, model_alias="", language="")
    -> ExtractResult

直接从屏幕提取结构化数据。返回值是 str 的子类,携带 token 用量。

verify()

python

verify(target, assertion, *, retry=None, model_alias="", language="")
    -> VerifyResult

视觉断言。断言不成立不抛异常——结果按真假值使用,带 .reason;传输/服务端错误仍会抛出。

locate()

python

locate(target, locate, *, timeout=0.0, interval=2.0, wait="",
       retry=None, model_alias="", language="") -> LocateResult

把自然语言元素描述解析成坐标,不执行任何动作——不点击、不输入。返回 LocateResult,支持元组解包:

python

x, y = bot.locate(page, "确定按钮")
page.mouse.click(x, y)   # 拿坐标驱动你自己的框架调用

坐标位于 adapter 的截图像素坐标系:Windows 窗口后端是窗口相对的客户区像素,pyautogui 是物理屏幕像素,移动端是设备像素——与 bot 自身动作使用的坐标系一致,也就是报告截图里看到的位置,但不一定是操作系统全局坐标。

计费:locate 本身仅一次 vision 调用(无 LLM token)。timeout > 0 时会先自动等待,语义与 click() 相同——每次轮询是一次 LLM verify 调用,按 verify 计费。

元素不存在时

元素不在屏幕上时视觉解析器仍会返回坐标,且该坐标不可信。无法保证元素存在时,请传 timeout= 或先用 verify() / wait_for() 确认。

wait_for()

python

wait_for(target, assertion, timeout=30.0, interval=2.0, *,
         model_alias="", language="") -> None

按 verify 语义每 interval 秒轮询一次;条件一成立立即返回,timeout 到期抛 QirabotTimeoutError。每次轮询都是一次计费的 verify 调用——为了正确性优先用它取代 sleep,同时把 interval 设得合理以控制成本。

直接动作——无 AI、不计费

navigate() / go_back() / close_tab()

python

navigate(target, url) -> target      # 缺协议时自动补 "https://"
go_back(target) -> target            # Playwright 上智能:关闭没有历史的新标签页
close_tab(target) -> target          # 仅 Playwright

各平台可用性见矩阵;智能 go_back 的行为见 API 参考。

scroll()

python

scroll(target, direction="down", distance=3, *, x=None, y=None) -> None

在视口中心滚动,给定 (x, y) 时在该点滚动。

press_key()

python

press_key(target, key, duration_seconds=0) -> target

一个键名全平台通用——Android 上是 adb keycode,Windows 窗口后端是 DirectInput 扫描码。组合键用 + 连接("ctrl+shift+t",仅桌面/浏览器)。 duration_seconds > 0 按住指定时长再释放(上限 10 秒;仅 pyautogui + Windows 窗口后端)。按键词汇表: API 参考。

screenshot()

python

screenshot(target) -> Path | None

保存到 report_dir/screenshots/,返回保存路径(report=False 时返回 None)。

launch_app()

python

launch_app(app, *, wait=2.0) -> None

启动或激活桌面应用,然后等 wait 秒等待其窗口出现。也可独立导入: from qirabot import launch_app。各操作系统的机制: API 参考。

报告与录屏

python

report(path=None) -> Path | None     # 立即写出 HTML 报告(close 时自动)
start_recording(*, fps=None, target=None, window=None, audio=None) -> bool
stop_recording() -> str | None       # 返回保存路径

通常不需要手动调用——构造函数上的 record=True / record_device=True / record_mjpeg_url=... 负责录屏,close() 写出报告。手动控制和全部开关: 报告与录屏。

结果对象

RunResult

ai() 的返回值。

字段	类型	含义
`success`	`bool`	当且仅当 `status == "completed"` 时为 `True`
`status`	`str`	`"completed"` / `"goal_failed"` / `"max_steps"` / `"error"`——见错误处理
`output`	`str`	模型的最终回答/总结
`steps`	`list[StepResult]`	执行过的每一步

StepResult

ai() 每一步一条;也是 on_step 收到的参数。

字段	类型	含义
`step`	`int`	从 1 开始的步骤序号
`action_type`	`str`	执行的动作(`click`、`scroll`、自定义工具名等)
`params`	`dict`	动作参数
`output`	`str`	反馈给模型的动作结果
`finished`	`bool`	最后一步为 `True`
`decision`	`str`	模型此步的推理
`input_tokens` / `output_tokens` / `thinking_tokens`	`int`	此步的 token 用量
`step_duration_ms` / `llm_decision_duration_ms`	`int`	实际耗时

ExtractResult

extract() 的返回值——str 的子类,可直接当提取文本使用。额外字段: input_tokens、output_tokens、thinking_tokens。output_tokens 已经包含 thinking_tokens,因此一次调用的花费是 input_tokens + output_tokens。注意:会生成新字符串的 str 操作(切片、.strip()、拼接)返回普通 str,token 字段随之丢失——请在 extract() 返回的原值上读取。

VerifyResult

verify() 的返回值——断言成立时为 truthy,可直接放进 assert / if。字段:passed(bool)、reason(模型的解释——断言意外失败时值得记录日志),以及与 ExtractResult 相同的三个 token 字段。

LocateResult

locate() 的返回值,支持元组解包:x, y = bot.locate(...)。

字段	类型	含义
`x` / `y`	`int`	解析出的坐标,位于 adapter 的截图像素坐标系
`input_tokens` / `output_tokens` / `thinking_tokens`	`int`	LLM token 用量——当前恒为 `0`(locate 按一次 vision 调用计费)

方法参考 ​

通用参数 ​

会话与生命周期 ​

bind() ​

open() ​

current_page() ​

close() ​

fail() / cancel() ​

report_dir / task_id ​

AI 定位动作 ​

click() ​

double_click() ​

type_text() ​

long_press() ​

mouse_down() / mouse_up() ​

key_down() / key_up() ​

AI 操作 ​

ai() ​

extract() ​

verify() ​

locate() ​

wait_for() ​

直接动作——无 AI、不计费 ​

navigate() / go_back() / close_tab() ​

scroll() ​

press_key() ​

screenshot() ​

launch_app() ​

报告与录屏 ​

结果对象 ​

RunResult ​

StepResult ​

ExtractResult ​

VerifyResult ​

LocateResult ​

方法参考

通用参数

会话与生命周期

bind()

open()

current_page()

close()

fail() / cancel()

report_dir / task_id

AI 定位动作

click()

double_click()

type_text()

long_press()

mouse_down() / mouse_up()

key_down() / key_up()

AI 操作

ai()

extract()

verify()

locate()

wait_for()

直接动作——无 AI、不计费

navigate() / go_back() / close_tab()

scroll()

press_key()

screenshot()

launch_app()

报告与录屏

结果对象

RunResult

StepResult

ExtractResult

VerifyResult

LocateResult