阴阳师自动化脚本架构解析：基于Pydantic与模块化设计的高性能游戏自动化框架-拓冰建站

阴阳师自动化脚本架构解析：基于Pydantic与模块化设计的高性能游戏自动化框架

【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript

阴阳师自动化脚本（Onmyoji Auto Script，简称OAS）是一个开源的游戏自动化解决方案，专为阴阳师手游设计。该项目基于Python构建，采用了现代化的软件架构设计理念，通过模块化、可扩展的框架实现了对游戏复杂场景的智能识别与自动化操作。本文将从技术架构、核心模块、实现原理和配置优化四个方面深入解析这一自动化框架的设计哲学与实现细节。

技术挑战与解决方案设计

阴阳师作为一款复杂的手游，其自动化面临三大核心挑战：游戏界面动态变化带来的识别困难、多任务调度与状态管理复杂性、跨平台设备适配的技术难题。OAS通过分层架构设计解决了这些挑战，实现了从底层设备控制到高层业务逻辑的完整自动化流程。

核心架构设计采用前后端分离模式，前端基于FluentUI构建现代化GUI界面，后端采用Python实现核心自动化逻辑。这种分离架构使得界面交互与业务逻辑解耦，提高了系统的可维护性和扩展性。项目基于碧蓝航线脚本Alas框架进行二次开发，继承了其成熟的自动化架构，同时针对阴阳师游戏特性进行了深度优化。

分层架构设计与核心模块实现

设备抽象层：跨平台控制与屏幕捕捉

在module/device/目录下，OAS实现了完整的设备抽象层。device.py中的Device类继承自Platform、Screenshot、Control、AppControl四个基类，提供了统一的设备操作接口。这一设计支持多种屏幕捕捉方法，包括WINDOW_BACKGROUND、NEMU_IPC等，以及多种控制方法如MINITOUCH和WINDOW_MESSAGE。

# 设备控制核心类定义 class Device(Platform, Screenshot, Control, AppControl): def __init__(self, *args, **kwargs): # 自动选择最优截图方法 if self.config.script.device.screenshot_method == 'auto': self.run_simple_screenshot_benchmark()

设备层通过适配器模式支持多种安卓模拟器，包括雷电、夜神、蓝叠等主流平台。screenshot.py模块实现了高效的屏幕捕捉机制，支持实时帧率调整和图像预处理，为上层识别算法提供稳定的图像输入。

图像识别与OCR引擎

module/ocr/目录包含了完整的OCR识别系统。base_ocr.py定义了统一的OCR接口，支持FULL、SINGLE、DIGIT、DIGITCOUNTER、DURATION、QUANTITY等多种识别模式。系统采用PaddleOCR-onnx作为底层识别引擎，在ppocr.py中封装为TextSystem类，提供高性能的文本检测与识别能力。

OCR系统支持ROI区域识别、置信度阈值调整、多语言识别等高级功能。enlarge_canvas函数优化了非正方形图像的识别性能，通过填充黑色背景将图像调整为32的整数倍，显著提升了PaddleOCR的识别效率。

配置管理系统

配置管理是OAS的核心优势之一。module/config/目录下的配置系统基于Pydantic实现强类型验证和序列化。config_base.py中定义了Time、DateTime、TimeDelta等自定义类型，支持复杂的时间配置：

# 基于Pydantic的配置模型 class HyakkiyakouConfig(ConfigBase): hya_limit_time: Time = Field(default=Time(minute=20)) hya_limit_count: int = Field(default=10) hya_invite_friend: bool = Field(default=False) hya_onmyoji: Onmyoji = Field(default=Onmyoji.KAGURA) hya_auto_bean: bool = Field(default=False) hya_sp: float = Field(default=1.0) hya_ssr: float = Field(default=1.0) hya_sr: float = Field(default=0.7) hya_r: float = Field(default=0.3)

配置系统支持动态字段隐藏、条件验证和类型转换，通过config_watcher.py实现配置文件的实时监控与热重载。config_server.py提供了RESTful API接口，支持远程配置管理。

百鬼夜行AI识别系统深度解析

智能式神识别架构

tasks/Hyakkiyakou/目录实现了百鬼夜行的完整自动化流程。系统采用基于深度学习的式神识别模型，支持ONNXRuntime和TensorRT两种推理引擎。在config.py中，用户可以灵活配置识别参数：

class HyakkiyakouModels(ConfigBase): conf_threshold: float = Field(default=0.6) # 置信度阈值 iou_threshold: float = Field(default=0.7) # NMS阈值 model_precision: ModelPrecision = Field(default=ModelPrecision.FP32) inference_engine: InferenceEngine = Field(default=InferenceEngine.ONNXRUNTIME)

多策略决策引擎

agent/agent.py实现了智能决策算法，根据式神稀有度分配不同的砸豆权重。系统支持SP、SSR、SR、R、N卡和呱太六种类别，每个类别可单独配置权重值。决策引擎考虑当前豆子数量、式神移动速度、出现位置等多个因素，实现最优的资源分配策略。

权重配置示例：

SP式神：权重1.0（最高优先级）
SSR式神：权重1.0
SR式神：权重0.7
R式神：权重0.3
N卡和呱太：权重0.0（忽略）

实时跟踪与自适应调整

script_task.py中的ScriptTask类整合了Tracker跟踪算法，实现式神的实时轨迹预测。系统以毫秒级间隔截取游戏画面，通过YOLO类目标检测模型识别式神位置，结合卡尔曼滤波算法预测移动轨迹，提高砸豆命中率。

# 式神跟踪与识别核心代码 from oashya.tracker import Tracker from oashya.labels import label2id, CLASSINDEX as CI, id2name class ScriptTask(GameUi, HyaSlave, SwitchOnmyoji): def run(self): tracker = Tracker() while self.running: screenshot = self.device.screenshot() detections = self.model.predict(screenshot) tracks = tracker.update(detections) for track in tracks: if self.should_throw_beans(track): self.throw_beans(track.position)

任务调度与状态管理系统

基于时间窗口的调度算法

module/config/scheduler.py实现了智能任务调度系统。系统支持多种调度策略，包括FIFO（先进先出）、优先级调度和时间窗口调度。每个任务可以配置独立的运行时间、次数限制和依赖关系。

调度规则定义：

class Scheduler(ConfigBase): enabled: bool = Field(default=True) next_run: DateTime = Field(default_factory=datetime.now) priority: int = Field(default=0) server: bool = Field(default=True)

状态持久化与错误恢复

系统通过config_state.py实现状态持久化，支持断点续传和错误恢复。当任务执行过程中发生异常时，系统会自动记录当前状态，并在下次运行时从断点处继续执行。exception.py定义了完整的异常处理体系，包括GameNotRunningError、GameStuckError、GameTooManyClickError等专门针对游戏场景的异常类型。

多进程架构设计

module/server/目录实现了基于ZeroRPC的多进程通信架构。script_process.py中的ScriptProcess类管理独立的脚本进程，支持并行执行多个任务实例。main_manager.py作为主管理器，负责进程的生命周期管理和状态监控。

配置优化与性能调优指南

性能优化策略

截图方法选择：系统自动测试并选择最优截图方法，支持WINDOW_BACKGROUND、NEMU_IPC、ADB等多种方式
OCR加速：通过enlarge_canvas优化图像输入，减少PaddleOCR的处理时间
模型推理优化：支持FP32和INT8精度模型，平衡识别精度与推理速度

内存管理优化

使用cached_property装饰器缓存频繁访问的属性
实现图像数据的流式处理和及时释放
采用连接池管理设备连接，减少重复初始化开销

调试与监控配置

DebugConfig类提供了完整的调试支持：

class DebugConfig(ConfigBase): hya_show: bool = Field(default=False) # 显示跟踪结果 hya_info: bool = Field(default=False) # 输出调试信息 continuous_learning: bool = Field(default=False) # 持续学习模式 hya_save_result: bool = Field(default=False) # 保存结果 hya_interval: float = Field(default=300) # 截屏间隔(ms)

扩展开发与二次开发指南

新任务模块开发

开发新任务模块需要遵循以下结构：

在tasks/目录下创建任务文件夹
实现config.py定义配置模型
实现assets.py管理资源文件
实现script_task.py继承GameUi基类
在assets/子目录中放置图像资源

自定义识别算法

系统支持自定义识别算法扩展：

class CustomOcr(BaseOcr): def __init__(self, *args, **kwargs): super().__init__(*args, **kwargs) self.custom_model = load_custom_model() def detect_and_ocr(self, image): # 实现自定义识别逻辑 return processed_results