midscene-python 0.1.1

基于AI的Web和Android自动化框架，支持自然语言驱动的UI操作

Midscene Python

Midscene Python 是一个基于 AI 的自动化框架，支持 Web 和 Android 平台的 UI 自动化操作。

概述

Midscene Python 提供全面的 UI 自动化能力，具有以下核心特性：

• 自然语言驱动：使用自然语言描述自动化任务
• 多平台支持：支持 Web（Selenium/Playwright）和 Android（ADB）
• AI 模型集成：支持 GPT-4V、Qwen2.5-VL、Gemini 等多种视觉语言模型
• 可视化调试：提供详细的执行报告和调试信息
• 缓存机制：智能缓存提升执行效率

项目架构

midscene-python/
├── midscene/                    # 核心框架
│   ├── core/                    # 核心框架
│   │   ├── agent/              # Agent系统
│   │   ├── insight/            # AI推理引擎
│   │   ├── ai_model/           # AI模型集成
│   │   ├── yaml/               # YAML脚本执行器
│   │   └── types.py            # 核心类型定义
│   ├── web/                     # Web集成
│   │   ├── selenium/           # Selenium集成
│   │   ├── playwright/         # Playwright集成
│   │   └── bridge/             # Bridge模式
│   ├── android/                 # Android集成
│   │   ├── device.py           # 设备管理
│   │   └── agent.py            # Android Agent
│   ├── cli/                     # 命令行工具
│   ├── mcp/                     # MCP协议支持
│   ├── shared/                 # 共享工具
│   └── visualizer/             # 可视化报告
├── examples/                   # 示例代码
├── tests/                      # 测试用例
└── docs/                       # 文档

技术栈

• Python 3.9+：核心运行环境
• Pydantic：数据验证和序列化
• Selenium/Playwright：Web 自动化
• OpenCV/Pillow：图像处理
• HTTPX/AIOHTTP：HTTP 客户端
• Typer：CLI 框架
• Loguru：日志记录

快速开始

安装

pip install midscene-python

基础用法

from midscene import Agent
from midscene.web import SeleniumWebPage

# 创建 Web Agent
with SeleniumWebPage.create() as page:
    agent = Agent(page)
    
    # 使用自然语言进行自动化操作
    await agent.ai_action("点击登录按钮")
    await agent.ai_action("输入用户名 '[e-mail]'")
    await agent.ai_action("输入密码 'password123'")
    await agent.ai_action("点击提交按钮")
    
    # 数据提取
    user_info = await agent.ai_extract("提取用户个人信息")
    
    # 断言验证
    await agent.ai_assert("页面显示欢迎信息")

主要特性

🤖 AI 驱动的自动化

使用自然语言描述操作，AI 自动理解并执行：

await agent.ai_action("在搜索框中输入'Python教程'并搜索")

🔍 智能元素定位

支持多种定位策略，自动选择最优方案：

element = await agent.ai_locate("登录按钮")

📊 数据提取

从页面提取结构化数据：

products = await agent.ai_extract({
    "products": [
        {"name": "产品名称", "price": "价格", "rating": "评分"}
    ]
})

✅ 智能断言

AI 理解页面状态，进行智能断言：

await agent.ai_assert("用户已成功登录")

许可证

MIT License