#更新日志

完整更新日志请参考：Midscene Releases

#V0.30 - 🎯 缓存管理升级与移动端体验优化

#🎯 更灵活的缓存策略

v0.30 版本改进了缓存系统，让你可以根据实际需求控制缓存行为:

• 多种缓存模式可选: 支持只读(read-only)、只写(write-only)、读写(read-write)等策略。例如在 CI 环境中使用只读模式复用缓存，在本地开发时使用只写模式更新缓存
• 自动清理无用缓存: Agent 销毁时可自动清理未使用的缓存记录，避免缓存文件越积越多
• 配置更简洁统一: CLI 和 Agent 的缓存配置参数已统一，无需记忆不同的配置方式

#📊 报告管理更便捷

• 支持合并多个报告: 除了 playwright 场景，现在任意场景均支持将多次自动化执行的报告合并为单个文件，方便集中查看和分享测试结果

#📱 移动端自动化优化

#iOS 平台改进

• 真机支持改进: 移除了 simctl 检查限制，iOS 真机设备的自动化更流畅
• 自动适配设备显示: 实现设备像素比自动检测，确保在不同 iOS 设备上元素定位准确

#Android 平台增强

• 灵活的截图优化: 新增 screenshotResizeRatio 选项，你可以在保证视觉识别准确性的前提下自定义截图尺寸，减少网络传输和存储开销
• 屏幕信息缓存控制: 通过 alwaysRefreshScreenInfo 选项控制是否每次都获取屏幕信息，在稳定环境下可复用缓存提升性能
• 直接执行 ADB 命令: AndroidAgent 新增 runAdbCommand 方法，方便执行自定义的设备控制命令

#跨平台一致性

• ClearInput 全平台支持: 解决 AI 无法准确规划各平台清空输入的操作问题

#🔧 功能增强

• 失败分类: CLI 执行结果现在可以区分「跳过的失败」和「真正的失败」，帮助定位问题原因
• aiInput 追加输入: 新增 append 选项，在保留现有内容的基础上追加输入，适用于编辑场景
• Chrome 扩展改进:
  • 弹窗模式偏好会保存到 localStorage，下次打开记住你的选择
  • Bridge 模式支持自动连接，减少手动操作
  • 支持 GPT-4o 和非视觉语言模型

#🛡️ 类型安全改进

• Zod 模式验证: 为 action 参数引入类型检查，在开发阶段发现参数错误，避免运行时问题
• 数字类型支持: 修复了 aiInput 对 number 类型值的支持，类型处理更健壮

#🐞 问题修复

• 修复了 Playwright 循环依赖导致的潜在问题
• 修复了 aiWaitFor 作为首个语句时无法生成报告的问题
• 改进视频录制器延迟逻辑，确保最后的画面帧也能被捕获
• 优化报告展示逻辑，现在可以同时查看错误信息和元素定位信息
• 修复了 aiAction 子任务中 cacheable 选项未正确传递的问题

#📚 社区

• Awesome Midscene 板块新增 midscene-java 社区项目

#v0.29 - 📱 新增 iOS 平台支持

#🚀 新增 iOS 平台支持

v0.29 版本最大的亮点是正式引入了对 iOS 平台的支持！现在，你可以通过 WebDriver 连接并自动化 iOS 设备，将 Midscene 的强大 AI 自动化能力扩展到苹果生态系统，了解详情: 支持 iOS 自动化

#🚅 适配 Qwen3-VL 模型

我们适配了最新的通义千问 Qwen3-VL 模型，开发者可以体验到更快的、更准确的视觉理解能力。详见 选择 AI 模型

#🤖 AI 核心能力增强

• 优化 UI-TARS 模型下的表现：优化 aiAction 规划，改进对话历史管理，提供了更好的上下文感知能力
• 优化 AI 断言与动作：我们更新了 aiAssert 的提示词（Prompt）并优化了 aiAction 的内部实现，使 AI 驱动的断言和动作执行更加精准可靠

#📊 报告与调试体验优化

• URL 参数控制回放：为了改善调试体验，现在可以通过 URL 参数直接控制报告回放的默认行为

#📚 文档

• 更新了文档部署的缓存策略，确保用户能够及时访问到最新的文档内容

#v0.28 - 📱 扩展界面操作能力，构建你自己的 GUI 自动化 Agent（预览特性）

#🚀 支持与任意界面集成（预览特性）

v0.28 版本推出了与任意界面集成的功能。定义符合 AbstractInterface 定义的界面控制器类，即可获得一个功能齐全的 Midscene Agent。

该功能的典型用途是构建一个针对你自己界面的 GUI 自动化 Agent，比如 IoT 设备、内部应用、车载显示器等！

配合通用 Playground 架构和 SDK 增强功能，开发者能方便地调试自定义设备。

更多请参考 与任意界面集成（预览特性）

#📱 Android 平台优化

• 规划缓存支持：为 Android 平台添加了规划缓存功能，提升执行效率
• 输入策略增强：基于 IME 设置优化了输入清除策略，提升 Android 平台的输入体验
• 滚动计算改进：优化了 Android 平台的滚动终点计算算法

#👆 手势操作扩展

• 双击操作支持：新增双击动作支持
• 长按与滑动手势：新增长按和滑动手势支持

#⚙️ 核心功能增强

• Agent 配置隔离：实现了不同 agent 间的模型配置隔离，避免配置冲突
• 在运行时设置环境变量：为 Agent 新增 useCache 和 replanningCycleLimit 配置选项，提供更精细的控制
• YAML 脚本支持：支持通过 YAML 脚本运行通用的自定义设备，提升自动化能力

#🐞 问题修复

• 修复了 Qwen 模型的搜索区域大小问题
• 优化了 deepThink 参数处理和矩形尺寸计算
• 解决了 Playwright 双击操作的相关问题
• 改进了 TEXT 动作类型的处理逻辑

#📚 文档与社区

• 新增自定义接口文档，帮助开发者更好地扩展功能
• 在 README 中添加了 Awesome Midscene 板块，展示社区项目

#v0.27 - 🧠 核心模块重构，断言与报告功能全面升级

#⚠️ 核心模块重构

在 v0.26 引入 Rslib 提升开发体验、降低贡献门槛的基础上，v0.27 更进一步，对核心模块进行了大规模重构。这使得扩展新设备、添加新 AI 操作的成本变得极低，我们诚挚地欢迎社区开发者踊跃贡献！

由于本次重构涉及面较广，升级后如遇到任何问题，请随时向我们反馈，我们将第一时间跟进处理。

#🌐 接口优化

• aiAssert 功能全面增强
  • 新增 name 字段，允许为不同的断言任务命名，方便在 JSON 格式的输出结果中进行识别和解析
  • 新增 domIncluded 和 screenshotIncluded 选项，可在断言中灵活控制是否向 AI 发送 DOM 快照和页面截图

#🤖 Chrome 扩展 Playground 升级

• 所有 Agent API 都能在 Playground 上直接调试和运行！交互、提取、验证三大类方法全覆盖，可视化操作和验证，让你的自动化开发效率飙升

#📊 报告功能优化

• 新增标记浮层开关：报告播放器增加了隐藏标记浮层的开关，方便用户在回放时查看无遮挡的原始页面视图

#🐞 问题修复

• 修复了 aiWaitFor 在偶现错误导致报告未生成问题
• 降低 Playwright 插件的内存消耗

#v0.26 - 🚀 工具链全面接入 Rslib，大幅提高开发体验、降低贡献门槛

#🌐 Web 集成优化

• 支持冻结页面上下文（freezePageContext/unfreezePageContext），使后续所有的操作都复用同一个页面快照，避免多次重复获取页面状态
• 为 Playwright fixture 补全所有 agent api ，简化测试脚本编写，解决使用 agentForPage 无法生成报告的问题

#📱 Android 自动化增强

• 新增隐藏键盘策略（keyboardDismissStrategy），允许指定自动隐藏键盘的方式

#📊 报告功能优化

• 报告内容引入懒解析，解决大体积报告的崩溃问题
• 报告播放器新增自动缩放开关，方便查看全局视角的回放
• 支持 aiAssert / aiQuery 等任务在报告中播放，以完整展示整个页面变动过程
• 修复断言失败时的侧栏状态未显示为失败图标的问题
• 修复报告中下拉筛选器不能切换筛选的问题

#🚀 构建与工程化

• 构建工具迁移至 Rslib 库开发工具，提升构建效率和开发体验
• 全仓库开启源码跳转，方便开发者查看源码
• MCP npm 包产物体积优化，从 56M 减少到 30M，大幅提高加载速度

#🐞 问题修复

• CLI 在 keepWindow 为 true 时将自动开启 headed 模式
• 修复 getGlobalConfig 的实现问题，解决环境变量初始化异常问题
• 确保 base64 编码中的 mime-type 正确
• 修复 aiAssert 任务返回值类型

#v0.25 - 🚀 支持使用图像作为 AI prompt 输入

#🎯 核心功能增强

• 新增运行环境，支持运行在 Worker 环境
• 支持使用图像作为 AI prompt 输入，详见 使用图片作为提示词
• 图像处理升级，采用 Photon & Sharp 进行高效图片裁剪

#🌐 Web 集成优化

• 通过坐标获取 XPath，提高缓存可复现性
• 缓存文件将 plan 模块提到最前面，增加可读性
• Chrome Recorder 支持导出所有事件到 markdown 文档
• agent 支持指定 HTML 报告名称，详见 reportFileName

#📱 Android 自动化增强

• 长按手势支持
• 下拉刷新支持

#🐞 问题修复

• 使用全局配置处理环境变量，避免因多打包导致环境无法覆盖的问题
• 当错误对象序列化失败时，手动构造错误信息
• 修复 playwright 报告类型依赖声明顺序问题
• 修复 MCP 打包问题

#📚 文档 AI 友好

• LLMs.txt 区分中文与英文，方便 AI 理解
• 每篇文档顶部新增按钮，支持复制为 markdown，方便喂给 AI 使用

#🤖 其它功能增强

• Chrome Recorder 支持 aiScroll 功能
• 重构 aiAssert 使其与 aiBoolean 实现一致

#v0.24 - 🤖 Android 自动化支持 MCP 调用

#🚀 Android 自动化支持 MCP 调用

• Android 自动化已全面支持 MCP 调用，为 Android 开发者提供更完善的自动化工具集。详情请参考：MCP 服务

#🌐 优化输入清空机制

• 针对 Mac 平台的 Puppeteer 增加了双重输入清空机制，保证输入之前清空输入框

#🔧 开发体验

• 简化本地构建 htmlElement.js 的方式，避免循环依赖导致的报告模板构建问题
• 优化了开发工作流，只需要执行 npm run dev 即可进入 Midscene 工程开发

#v0.23 - 📊 全新报告样式与 YAML 脚本能力增强

#🎨 报告系统升级

#全新报告样式

• 重新设计的测试报告界面，提供更清晰、更美观的测试结果展示
• 优化报告布局和视觉效果，提升用户阅读体验
• 增强报告的可读性和信息层次结构

#⚙️ YAML 脚本能力增强

#支持多 YAML 文件批量执行

• 新增配置模式，支持配置 Yaml 文件运行顺序、浏览器复用策略、并行度
• 支持获取 JSON 格式的运行结果

#🧪 测试覆盖提升

#Android 测试增强

• 新增 Android 平台相关测试用例，提升代码质量和稳定性
• 完善测试覆盖率，确保 Android 功能的可靠性

#v0.22 - 🎬 Chrome 扩展录制功能上线

#🌐 Web集成增强

#1️⃣ 全新的录制功能

• Chrome 扩展新增录制功能，可以记录用户在页面上的操作并生成自动化脚本
• 支持录制点击、输入、滚动等常见操作，大大降低自动化脚本编写门槛
• 录制的操作可以直接在 Playground 中回放和调试

#2️⃣ 存储升级到 IndexedDB

• Chrome 扩展的 Playground 和 Bridge 改为使用 IndexedDB 进行数据存储
• 相比之前的存储方案，提供更大的存储容量和更好的性能
• 支持存储更复杂的数据结构，为未来功能扩展奠定基础

#3️⃣ 自定义重新规划循环限制

• 设置 MIDSCENE_REPLANNING_CYCLE_LIMIT 环境变量，可以自定义在执行操作(aiAction)时允许的最大重新规划循环次数
• 默认值为 10，当 AI 需要重新规划超过这个限制时，会抛出错误建议将任务拆分
• 提供更灵活的任务执行控制，适应不同复杂度的自动化场景

export MIDSCENE_REPLANNING_CYCLE_LIMIT=10 # 默认值为 10

#📱 Android 功能增强

#1️⃣ 截图路径区分

• 为每个截图生成唯一的文件路径，避免文件覆盖问题
• 提升了并发测试场景下的稳定性

#v0.21 - 🎨 Chrome 扩展界面升级

#🌐 Web集成增强

#1️⃣ 全新的 Chrome 扩展界面

• 全新的聊天式用户界面设计，提供更好的使用体验
• 界面布局优化，操作更加直观便捷

#2️⃣ 超时配置灵活性提升

• 支持从测试 fixture 中覆盖超时设置，提供更灵活的超时控制
• 适用场景：不同测试用例需要不同超时时间的场景

#3️⃣ 统一 Puppeteer 和 Playwright 配置

• 为 Playwright 新增 waitForNavigationTimeout 和 waitForNetworkIdleTimeout 参数
• 统一了 Puppeteer 和 Playwright 的 timeout 选项配置，提供一致的 API 体验，降低学习成本

#4️⃣ 新增数据导出回调机制

• 新增 agent.onDumpUpdate 回调函数，可在数据导出时获得实时通知
• 重构了任务结束后的处理流程，确保异步操作的正确执行
• 适用场景：需要监控或处理导出数据的场景

#📱 Android 交互优化

#1️⃣ 输入体验改进

• 将点击输入改为滑动操作，提升交互响应性和稳定性
• 减少因点击不准确导致的操作失败

#v0.20 - 支持传入 XPath 定位元素

#🌐 Web集成增强

#1️⃣ 新增 aiAsk 方法

• 可直接向 AI 模型提问，获取当前页面的字符串形式答案
• 适用场景：页面内容问答、信息提取等需要 AI 推理的任务
• 示例：

await agent.aiAsk('问题描述')

#2️⃣ 支持传入 XPath 定位元素

• 定位优先级：指定的 XPath > 缓存 > AI 大模型定位
• 适用场景：已知元素 XPath，需要跳过 AI 大模型定位
• 示例：

await agent.aiTap('提交按钮', { xpath: '//button[@id="submit"]' })

#📱 Android 改进

#1️⃣ Playground 任务可取消

• 支持中断正在执行的自动化任务，提升调试效率

#2️⃣ aiLocate API 增强

• 返回设备像素比（Device Pixel Ratio），通常用于计算元素真实坐标

#📈 报告生成优化

改进报告生成机制，从批量存储改为单次追加，有效降低内存占用，避免用例数量大时造成的内存溢出

#v0.19 - 支持获取完整的执行过程数据

#新增 API 获取 Midscene 执行过程数据

为 agent 添加 _unstableLogContent API，即可获取 Midscene 执行过程数据，比如每个步骤的耗时、AI Tokens 消耗情况、页面截图等！

对了，Midscene 的报告就是根据这份数据生成了，也就是说，使用这份数据，你甚至可以定制一个属于你自己的报告！

详情请参考：API 文档

#CLI 新增参数支持调整 Midscene 环境变量优先级

默认情况下，dotenv 不会覆盖 .env 文件中同名的全局环境变量。如果希望覆盖，你可以使用 --dotenv-override 选项。

详情请参考：使用 YAML 格式的自动化脚本

#大幅减少报告文件大小

裁剪生成的报告中冗余的数据，大幅减少复杂页面的报告文件大小，用户的典型复杂页面报告大小从 47.6M 减小到 15.6M！

#v0.18 - 回放报告功能增强

🚀 Midscene 又有更新啦！为你带来高质量的 UI 自动化体验。

#在报告中增加自定义节点

• 为 agent 添加 logScreenshot API，将当前页面的截图作为报告节点。支持设置节点标题和描述，使报告内容更加丰富。适用于关键步骤截图记录、错误状态捕获、UI 验证等。

• 示例：

test('login github', async ({ ai, aiAssert, aiInput, logScreenshot }) => {
  if (CACHE_TIME_OUT) {
    test.setTimeout(200 * 1000);
  }
  await ai('Click the "Sign in" button');
  await aiInput('quanru', 'username');
  await aiInput('123456', 'password');

  // 自定义记录
  await logScreenshot('Login page', {
    content: 'Username is quanru, password is 123456',
  });

  await ai('Click the "Sign in" button');
  await aiAssert('Login success');
});

#支持将报告下载为视频

• 支持从报告播放器直接导出视频，点击播放器界面的下载按钮即可保存。

• 适用场景：分享测试结果、存档重现步骤、演示问题复现

#Android 暴露更多配置

• 支持使用远程 adb 主机，配置键盘策略

  • autoDismissKeyboard?: boolean - 可选参数，是否在输入文本后自动关闭键盘

  • androidAdbPath?: string - 可选参数，用于指定 adb 可执行文件的路径

  • remoteAdbHost?: string - 可选参数，用于指定远程 adb 主机

  • remoteAdbPort?: number - 可选参数，用于指定远程 adb 端口

• 示例：

await agent.aiInput('搜索框', '测试内容', { autoDismissKeyboard: true })

const agent = await agentFromAdbDevice('s4ey59', {
    autoDismissKeyboard: false, // 可选参数，是否在输入文本后自动关闭键盘。默认值为 true。
    androidAdbPath: '/usr/bin/adb', // 可选参数，用于指定 adb 可执行文件的路径
    remoteAdbHost: '192.168.10.1', // 可选参数，用于指定远程 adb 主机
    remoteAdbPort: '5037' // 可选参数，用于指定远程 adb 端口
})

立即升级版本，体验这些强大新功能！

• 自定义报告节点 API 文档
• Android 更多配置项 API 文档

#v0.17 - 让 AI 看见页面 DOM

#数据查询 API 全面增强

为满足更多自动化和数据提取场景，以下 API 新增了 options 参数，支持更灵活的 DOM 信息和截图传递：

• agent.aiQuery(dataDemand, options)
• agent.aiBoolean(prompt, options)
• agent.aiNumber(prompt, options)
• agent.aiString(prompt, options)

#新增 options 参数

• domIncluded：是否向模型发送精简后的 DOM 信息，默认值为 false。一般用于提取 UI 中不可见的属性，比如图片的链接。
• screenshotIncluded：是否向模型发送截图。默认值为 true。

#代码示例

// 提取通讯录中所有联系人的完整信息（包含隐藏的头像链接）
const contactsData = await agent.aiQuery(
  "{name: string, id: number, company: string, department: string, avatarUrl: string}[], extract all contact information including hidden avatarUrl attributes",
  { domIncluded: true }
);

// 检查通讯录中第一个联系人的 id 属性是否为 1
const isId1 = await agent.aiBoolean(
  "Is the first contact's id is 1?",
  { domIncluded: true }
);

// 获取第一个联系人的 ID（隐藏属性）
const firstContactId = await agent.aiNumber("First contact's id?", { domIncluded: true });

// 获取第一个联系人的头像 URL（页面上不可见的属性）
const avatarUrl = await agent.aiString(
  "What is the Avatar URL of the first contact?",
  { domIncluded: true }
);

#新增右键点击能力

你有没有遇到过需要自动化右键操作的场景？现在，Midscene 支持了全新的 agent.aiRightClick() 方法！

#功能

使用右键点击页面元素，适用于那些自定义了右键事件的场景。注意：Midscene 无法与浏览器原生菜单交互。

#参数说明

• locate: 用自然语言描述你要操作的元素
• options: 可选，支持 deepThink（AI精细定位）、cacheable（结果缓存）

#示例

// 在通讯录应用中右键点击联系人，触发自定义上下文菜单
await agent.aiRightClick("Alice Johnson", { deepThink: true });

// 然后可以点击菜单中的选项
await agent.aiTap("Copy Info"); // 复制联系人信息到剪贴板

#示例及其报告

#示例页面

#示例报告

#一个完整示例

在下面的报告文件中，我们展示了一个完整的示例，展示了如何使用新的 aiRightClick API 和新的查询参数来提取包含隐藏属性的联系人数据。

报告文件：puppeteer-2025-06-04_20-41-45-be8ibktz.html

对应代码可以参考我们的示例仓库：puppeteer-demo/extract-data.ts

#重构缓存能力

使用 xpath 缓存，而不是基于坐标，提高缓存命中概率。

缓存文件格式使用 yaml 替换 json，提高可读性。

#v0.16 - 支持 MCP

#Midscene MCP

🤖 使用 Cursor / Trae 帮助编写测试用例。 🕹️ 快速实现浏览器操作，媲美 Manus 平台。 🔧 快速集成 Midscene 能力，融入你的平台和工具。

了解详情: MCP

#支持结构化 API

APIs: aiBoolean, aiNumber, aiString, aiLocate

了解详情: 使用结构化 API 优化自动化代码

#v0.15 - Android 自动化上线！

#Android 自动化上线！

🤖 AI 调试：自然语言调试 📱 支持原生、Lynx 和 WebView 应用 🔁 可回放运行 🛠️ YAML 或 JS SDK ⚡ 自动规划 & 即时操作 API

#更多功能

• 支持自定义 midscene_run 目录
• 增强报告文件名生成，支持唯一标识符和分段模式
• 增强超时配置和日志记录，支持网络空闲和导航超时
• 适配 gemini-2.5-pro

了解详情: 支持 Android 自动化

#v0.14 - 即时操作 API

#即时操作 API

• 新增即时操作 API，增强 AI 操作的准确性

了解详情: 即时操作 API

#v0.13 - 深度思考模式

#原子 AI 交互方法

• 支持 aiTap, aiInput, aiHover, aiScroll, aiKeyboardPress 等原子操作

#深度思考模式

• 增强点击准确性，提供更深层次的上下文理解

#v0.12 - 集成 Qwen 2.5 VL

#集成 Qwen 2.5 VL 的本地能力

• 保持输出准确性
• 支持更多元素交互
• 成本降低 80% 以上

#v0.11.0 - UI-TARS 模型缓存

#✨ UI-TARS 模型支持缓存

• 通过文档开启缓存 👉 ： 开启缓存

• 开启效果

#✨ 优化 DOM 树提取策略

• 优化了 dom 树的信息能力，加速了 GPT 4o 等模型的推理过程

#v0.10.0 - UI-TARS 模型上线

UI-TARS 是由 Seed 团队开源的 Native GUI agent 模型。UI-TARS 起名源之星际穿越电影中的 TARS 机器人，它具备高度的智能和自主思考能力。 UI-TARS 将图片和人类指令作为输入信息，可以正确的感知下一步的行动，从而逐渐接近人类指令的目标，在 GUI 自动化任务的各项基准测试中均领先于各类开源模型、闭源商业模型。

UI-TARS:Pioneering Automated GUI Interaction with Native Agents - Figure 1

UI-TARS:Pioneering Automated GUI Interaction with Native - Figure 4

#**✨**模型优势

UI-TARS 模型在 GUI 任务中有以下优势：

• 目标驱动

• 推理速度快

• Native GUI agent 模型

• 模型开源

• 公司内部私有化部署无数据安全问题

#v0.9.0 - 桥接模式上线！

通过 Midscene 浏览器插件，你可以用脚本联动桌面浏览器进行自动化操作了！

我们把它命名为“桥接模式”（Bridge Mode）。

相比于之前各种 CI 环境调试，优势在于：

1. 可以复用桌面浏览器，尤其是 Cookie、登录态、前置界面状态等 ，即刻开启自动化，而不用操心环境搭建

2. 支持人工与脚本配合操作界面，提升自动化工具的灵活性

3. 简单的业务回归，Bridge Mode 本地跑一下就行

文档：通过 Chrome 插件快速体验

#v0.8.0 - Chrome 插件

#✨ 新增 Chrome 插件，任意页面随时运行 Midscene

通过 Chrome 插件，你可以零代码、任意页面随时运行 Midscene，体验它的 Action \ Query \ Assert 等能力。

体验方式： 使用 Chrome 插件体验 Midscene

#v0.7.0 - Playground 能力

#✨ 新增 Playground 能力，随时发起调试

再也不用频繁重跑脚本调试 Prompt 了！

在全新的测试报告页上，你可以随时对 AI 执行结果进行调试，包括页面操作、页面信息提取、页面断言。

#v0.6.0 - 支持字节豆包模型

#**✨ 模型：**支持字节豆包模型

全新支持调用豆包模型调用，参考下方环境变量即可体验。

MIDSCENE_OPENAI_INIT_CONFIG_JSON='{"baseURL":"https://xxx.net/api/v3","apiKey":"xxx"}'
MIDSCENE_MODEL_NAME='ep-20240925111815-mpfz8'
MIDSCENE_MODEL_TEXT_ONLY='true'

总结目前豆包模型的可用性：

• 目前豆包只有纯文本模型，也就是“看”不到图片。在纯粹通过界面文本进行推理的场景中表现尚可。

• 如果用例需要结合分析界面 UI ，它完全不可用

举例：

✅ 多肉葡萄的价格 (可以通过界面文字的顺序猜出来)

✅ 切换语言文本按钮(可以是:中文，英文文本) (可以通过界面文字内容猜出来)

❌ 左下角播放按钮 (需要图像理解，失败)

#✨ 模型：支持 GPT-4o 结构化输出、成本继续下降

通过使用 gpt-4o-2024-08-06 模型，Midscene 已支持结构化输出（structured-output）特性，确保了稳定性增强、成本下降了 40%+。

Midscene 现已支持命中 GPT-4o prompt caching 特性，待公司 GPT 平台跟进部署后，AI 调用成本将继续下降。

#✨ 测试报告：支持动画回放

现在你可以在测试报告中查看每个步骤的动画回放，快速调试自己的运行脚本

#✨ 提速：合并执行流程， 响应提速 30%

新版本中，我们将 Plan 和 Locate 操作在 prompt 执行上进行一定程度合并，使得 AI 响应速度提升 30%

Before

after

#✨ 测评报告：不同模型在 Midscene 场景下的表现

• GPT 4o 系列模型，接近 100% 正确率

• doubao-pro-4k 纯文本模型，接近可用状态

#🐞问题修复

优化了页面信息提取，避免遮挡元素被收集，以此优化成功率、速度、AI 调用成本 🚀

before

after

#v0.5.0 - 支持 GPT-4o 结构化输出

#新功能 ✨

• 支持了 gpt-4o-2024-08-06 模型提供 100% JSON 格式限制，降低了 Midscene 任务规划时的幻觉行为

• 支持了 Playwright AI 行为实时可视化，提升排查问题的效率

• 缓存通用化，缓存能力不再仅仅局限于 playwright，pagepass、puppeteer 都可以使用缓存

- playwright test --config=playwright.config.ts
# 开启缓存
+ MIDSCENE_CACHE=true playwright test --config=playwright.config.ts

• 支持了 azure openAI 的调用方式

• 支持了 AI 对于 Input 现有基础之上的增删改行为

#问题修复 🐞

• 优化了对于非文本、input、图片元素的识别，提升 AI 任务正确性

• 在 AI 交互过程中裁剪了不必要的属性字段，降低了 token 消耗

• 优化了 KeyboardPress、Input 事件在任务规划时容易出现幻觉的情况

• 针对 pagepass 通过 Midscene 执行过程中出现的闪烁行为，提供了优化方案

// 目前 pagepagepsss 依赖的 puppeteer 版本太低，截图可能会导致界面闪动、光标丢失，通过下面方式可以解决
const originScreenshot = puppeteerPage.screenshot;
puppeteerPage.screenshot = async (options) => {
  return await originScreenshot.call(puppeteerPage, {
    ...options,
    captureBeyondViewport: false
  });
};

#v0.4.0 - 支持使用 Cli

#新功能 ✨

• Midscene 支持 Cli 的使用方式，降低 Midscene 使用门槛

# headed 模式（即可见浏览器）访问 baidu.com 并搜索“天气”
npx @midscene/cli --headed --url https://www.baidu.com --action "输入 '天气', 敲回车" --sleep 3000

# 访问 Github 状态页面并将状态保存到 ./status.json
npx @midscene/cli --url https://www.githubstatus.com/ \
  --query-output status.json \
  --query '{serviceName: string, status: string}[], github 页面的服务状态，返回服务名称'

• 支持 AI 执行等待能力，让 AI 等到到某个时候继续后续任务执行

• Playwright AI 任务报告展示整体耗时，并按测试组进行聚合 AI 任务

#问题修复 🐞

• 修复 AI 在连续性任务时容易出现幻觉导致任务规划失败

#v0.3.0 - 支持 AI HTML 报告

#新功能 ✨

• AI 报告 html 化，将测试报告按测试组聚合，方便测试报告分发

#问题修复 🐞

• 修复 AI 报告滚动预览问题

#v0.2.0 - 通过自然语言控制 puppeteer

#新功能 ✨

• 支持通过自然语言控制 puppeteer 实现页面操作自动化🗣️💻

• 在 playwright 框架中提供 AI 缓存能力，提高稳定性和执行效率

• AI 报告可视化按照测试组进行合并，优化聚合展示

• 支持 AI 断言能力，让 AI 判断页面是否满足某种条件

#v0.1.0 - 通过自然语言控制 playwright

#新功能 ✨

• 通过自然语言控制 playwright 实现页面操作自动化 🗣️💻

• 通过自然语言提取页面信息 🔍🗂️

• AI 报告，AI 行为、思考可视化 🛠️👀

• 直接使用 GPT-4o 模型，无需任何训练 🤖🔧