AI Vision（AI 视觉）
就屏幕上有什么提问，并以流程能分支的形状作答。
其它检测节点问的都是你已经知道答案的问题：这张图在不在（Find Image）、这个框里是哪些字符（Read Text）、这个矩形是不是红的（Check Region）。AI Vision 用于那些没法这样表述的问题——我现在在哪个界面、在一个从没见过的布局里 Continue 按钮在哪、这个对话框是报错还是奖励。
两个工作区都可用。
答案是受约束的，不是自由文本
这正是它在自动化里可用的原因。你给节点一个任务和一份关注目标清单；这些目标就成了答案唯一允许的取值。一个能用任意句子回答的模型对流程毫无用处——你得在运行时解析散文。而在这里，"这三个界面中的哪一个"只能回到这三个之中。
| 任务 | 你需要提供 | 用途 |
|---|---|---|
| 识别当前屏幕 | 关注目标——你预期的那些界面 | "我在商店、地图，还是登录墙？" |
| 定位元素 | 关注目标——要找的东西 | 在会移动、或你没有模板的布局里找控件 |
| 提取字段 | 关注目标——字段名 | 一次把面板里多个带标签的值取出来 |
| 回答问题 | 一个问题 | 一次性判断："队列空了吗？" |
| 描述画面 | — | 诊断与 Run Evidence：一句话说明当时屏幕上是什么 |
| 自定义（JSON schema） | 你自己的答案 schema | 以上形状都不合适时 |
一行一个目标。 目标是一个短语，其中的逗号是内容而不是分隔符——与 Open App 的参数同一条规则。
设置
| 设置 | 类型 | 范围 | 默认 | 作用 |
|---|---|---|---|---|
| 任务 | 选择 | 上述六项 | 识别当前屏幕 | 必填。 决定问什么，以及答案的形状 |
| 关注目标 | 字符串列表 | 每行 ≤ 60 字符 | — | 任务所针对的状态、元素、字段或选项 |
| 问题 | 字符串 | ≤ 300 字符 | — | 供回答问题和自定义使用 |
| 查看区域 | 矩形 | — | 整屏 | 看哪里。不填即整屏 |
| Timeout | integer | 1000–300000 ms | — | 等答案多久 |
两个专家级旋钮——自定义任务的 schema 与图像 token 预算——保存的流程接受，但面板不提供。它们有合理的默认值，而你手写的值编辑器绝不覆写。
框紧一点。 区域是可选的、默认整屏，这对识别界面是对的，对读一小块 面板则很差。在一道验证码上实测：框住整张卡片读回的是标题而不是码；只框住图片才读回码。
端口
| 端口 | 走它的时机 | 必接 |
|---|---|---|
| Success | 模型给出了符合 schema 的答案 | 是 |
| Failure | 拿不到画面、连不上运行时，或模型无法满足 schema | 否 |
| Cancelled | 提问途中运行被停 | 否——永不被走 |
| Fatal | 配置无效 | 否——永不被走 |
Success 不等于"你希望的那个答案"
基础示例
在决定任何事之前先弄清自己在哪个界面：
- 任务：识别当前屏幕
- 关注目标：
商店、地图、登录墙 - 把答案存入变量，再用 If 按它的值分支。
常见错误
| 错误 | 后果 | 修复 |
|---|---|---|
| 需要目标的任务却没填 | 答案没有可被约束的范围 | 为识别 / 定位 / 提取填上关注目标 |
| 目标之间语义重叠 | 多次运行答案不稳定 | 让它们互斥 |
| 按端口而不是按取值分支 | 两种答案都从 Success 出来 | 用 If 对绑定变量分支 |
| 一小块面板却用整屏 | 模型回答的是别的东西 | 围着面板画一个区域 |
| 模板够用的地方用它 | 比像素更慢也更不确定 | 固定图形用 Find Image |
相关节点
- Find Image——当你手上就有那些像素
- Read Text——当你要的是框里的字符
- If——按拿回来的内容 分支
- Check Region——颜色与变化，不需要模型