Midscene v1.0 发布 - 视觉驱动，UI 自动化体验跃迁

文章来源｜ByteDance Web Infra 团队

Midscene 自 2024 年开源发布以来，已经在 Github 斩获 11k star 、Trending 榜第二名等成绩，并在互联网、金融、政企、汽车等大量应用场景下完成落地。

本月，我们正式宣布 Midscene v1.0 发布！本文将为你介绍：

• 案例回顾：Midscene 在 PC、Android、iOS 等场景的任务能力；

• 社区案例：社区开发者基于 Midscene 与任意界面集成的特性，扩展了机械臂 + 视觉模型 + 语音模型等模块，完成车机测试；

• 1.0 版本的模型路线：拥抱纯视觉；

• 1.0 版本的特性优化：报告优化、MCP 架构、跨端增强、API 变更等。

案例回顾

社区案例：视觉模型 + 机械臂

有社区开发者成功基于 Midscene 与任意界面集成的特性，扩展了机械臂 + 视觉模型 + 语音模型等模块，运用于车机大屏测试场景中。

移动端案例：外卖下单

打开美团，帮我下单一杯 manner 超大杯冰美式咖啡，要加浓少冰喔，到结算页面让我确认。

在我们的 Midscene 官网上，还有更多实战案例：

1. iOS 自动化 - Twitter 自动点赞 @midscene_ai 首条推文；

2. Android 自动化 - 懂车帝查看小米 SU7 参数；

3. Android 自动化 - Booking 预订圣诞酒店；

4. MCP 集成 - Midscene MCP 操作界面发布 prepatch 版本。

1.0 版本的模型路线

从 V1.0 开始，Midscene 全面转向视觉理解方案，提供更稳定可靠的 UI 自动化能力。

视觉模型有以下特点：

• 效果稳定 ：业界领先的视觉模型（如 Doubao Seed 1.6、Qwen3-VL 等）表现足够稳定，已经可以满足大多数业务需求；

• UI 操作规划 ：视觉模型通常具备较强的 UI 操作规划能力，能够完成不少复杂的任务流程；

• 适用于任意系统 ：自动化框架不再依赖 UI 渲染的技术栈，无论是 Android、iOS、桌面应用，还是浏览器中的 <canvas>，只要能获取截图，Midscene 即可完成交互操作；

• 易于编写 ：抛弃各类 selector 和 DOM 之后，开发者与模型的“磨合”会变得更简单，不熟悉渲染技术的新人也能很快上手；

• token 量显著下降 ：在去除 DOM 提取之后，视觉方案的 token 使用量可以减少 80%，成本更低，且本地运行速度也变得更快

• 有开源模型解决方案 ：开源模型表现渐佳，开发者开始有机会进行私有化部署模型，如 Qwen3-VL 提供的 8B、30B 等版本在不少项目中都有着不错的效果。

详情请阅读我们更新版的模型策略^[1]。

🚀 多模型组合，为复杂任务带来更好效果

除了默认的交互场景，Midscene 还定义了 Planning（规划）和 Insight（洞察）两种意图，开发者可以按需为它们启用独立的模型。例如，用 GPT 模型做规划，同时使用默认的 Doubao 模型做元素定位。

多模型组合让开发者可以按需提升复杂需求的处理能力。

🚀 运行时架构优化

针对 Midscene 的运行时表现，我们进行了以下优化：

• 减少对设备信息接口的调用，在确保安全的情况下复用部分上下文信息，提升运行时性能，让大多数的时间消耗集中在模型端；

• 优化 Web 及移动端环境下的 Action Space 组合，向模型开放更合理、更清晰的工具集。

🚀 回放报告优化

回放报告是 Midscene 开发者非常依赖的一个特性，它能有效提升脚本的调试效率。

在 v1.0 中，我们更新了回放报告：

• 参数视图：标记出交互参数的位置信息，合并截图信息，快速识别模型的规划结果；

• 样式调整：支持以深色模式展示报告，更美观；

• Token 消耗的展示：支持按模型汇总 Token 消耗量，分析不同场景的成本情况。

🚀 MCP 架构重构

我们重新定义了 Midscene MCP 服务的定位。Midscene MCP 的职责是围绕着视觉驱动的 UI 操作展开，将 iOS / Android / Web 设备 Action Space 中的每个 Action 操作暴露为 MCP 工具，也就是提供各类“原子操作”。

通过这种形式，开发者可以更专注于构建自己的高阶 Agent，而无需关心底层 UI 操作的实现细节，并且时刻获得满意的成功率。

详情请阅读 MCP 文档^[2]。

🚀 移动端能力增强

iOS 改进

• 新增 WebDriverAgent 5.x-7.x 全版本兼容；

• 新增 WebDriver Clear API 支持，解决动态输入框问题；

• 提升设备兼容性。

Android 改进

• 新增截图轮询回退机制，提升远程设备稳定性；

• 新增屏幕方向自动适配（displayId 截图）；

• 新增 YAML 脚本 runAdbShell 支持。

跨平台

• 在 Agent 实例上暴露系统操作接口，包括 Home、Back、RecentApp 等。

🚧 API 变更

方法重命名（向后兼容）：

• 改名 aiAction() → aiAct()（旧方法保留，有弃用警告）；

• 改名 logScreenshot() → recordToReport()（旧方法保留，有弃用警告）。

环境变量重命名（向后兼容）：

• 改名 OPENAI_API_KEY → MODEL_API_KEY（新变量优先，旧变量作为备选）；

• 改名 OPENAI_BASE_URL → MODEL_BASE_URL（新变量优先，旧变量作为备选）。

⬆️ 升级到最新版

升级项目中的依赖，例如：

• npm install @midscene/web@latest --save-dev；

• npm install @midscene/android@latest --save-dev；

• npm install @midscene/ios@latest --save-dev。

如果使用全局安装的命令行版本：npm i -g @midscene/cli。

了解更多

• Midscene.js https://midscenejs.com
  

• Github https://github.com/web-infra-dev/midscene
  

• 1.0 版本 Changelog https://midscenejs.com/zh/changelog.html
  

参考资料

[1] 模型策略: https://midscenejs.com/zh/model-strategy

[2] MCP 文档: https://midscenejs.com/zh/mcp