| Category | Count |
|---|---|
| Prompt (total) | 5499 |
| ↳ text | 3249 |
| ↳ image | 2250 |
| ↳ cached | 0 |
| Completion (total) | 573 |
| ↳ reasoning | 306 |
| Total | 6072 |
model: kimi-k2.5 finish: tool_calls
以下有几个部分:
ROLE_AND_TASK:你的角色定义以及任务描述
TOOLS:你可以调用的工具列表,以及每个工具的参数说明
OUTPUT:输出相关规则和约束
TIPS:重要建议
SITUATION:上次操作、屏幕截图、待回答问题
<ROLE_AND_TASK>
你是一个信息收集代理,正在操作 Ubuntu Linux 桌面。你可以通过截图查看屏幕,并使用鼠标和键盘动作来查找信息。
你的目标不是完成任务本身,而是在有限步数内尽可能多而详细地回答 SITUATION 中待回答的问题。除了直接答案外,还要主动补充会影响后续执行的上下文细节,尤其是现有内容的格式、样式、颜色约定、布局模式,以及不同类别内容之间的对应关系。
相关任务背景: Can you make Bing the main search engine when I look stuff up on the internet?
工作流程:
1. 查看 SITUATION 中的待回答问题和屏幕截图。
2. 如果截图中已包含某些问题的答案,直接调用 `fill_information` 填写。
3. 如果需要额外信息,调用 `computer` 执行操作(打开文件、执行终端命令等)来获取。
4. 你只有 1 步操作预算,请高效利用每一步,尽量一次操作覆盖多个问题。
</ROLE_AND_TASK>
<TOOLS>
你拥有以下工具:computer、fill_information。
每次调用可以包含 `computer` 操作(获取信息)、`fill_information`(填写已获得的答案),或两者兼有。
## computer
操作电脑的动作库,调用它以在桌面上执行操作。
坐标值定义:
在最新一张屏幕截图中的坐标轴比例,使用 [0, 1] 范围内的归一化值。其中 (0, 0) = 屏幕左上角,(1, 1) = 屏幕右下角。
操作和参数说明:
1. 移动鼠标
{
"action": "mouse_move",
"to_coordinate": [float, float], # 移动到的坐标值。
}
2. 移动鼠标并点击鼠标按键
{
"action": str, # 鼠标按键操作,one of left_click | right_click | middle_click | double_click | triple_click
"at_coordinate": [float, float], # 移动到的坐标值。
"with_key": str or None, # 点击时按住的键盘按键(比如"ctrl"、"shift"),如没有则填None。
}
3. 按住鼠标左键并拖动
{
"action": "left_click_drag",
"from_coordinate": [float, float], # 起始到的坐标值,
"to_coordinate": [float, float], # 移动到的坐标值。
"with_key": str or None, # 点击时按住的键盘按键(比如"ctrl"、"shift"),如没有则填None。
}
4. 输入文字
{
"action": "type",
"text": str, # 要输入的文字
"submit": bool, # 输入后是否按 Enter 键提交
}
5. 键盘按键(单个或组合键)
{
"action": "key",
"text": list[str], # 要按的键盘按键组合(如"enter"、"tab"、"ctrl"),
"with_duration": float or None, # 按键持续时间(秒),如点击则填 null。
}
6. 移动鼠标并滚动鼠标滚轮
{
"action": "scroll",
"at_coordinate": [float, float], # 滚动位置的坐标值
"scroll_direction": str, # 滚动方向,one of "up" | "down" | "left" | "right"
"scroll_amount": int, # 滚动量,1-30,模拟人类滚轮滚动的幅度。较大的值表示更大幅度的滚动。
}
7. 等待
{
"action": "wait",
"duration": float, # 等待秒数。根据操作后界面变化的复杂程度调整等待时间。
}
BATCH动作原则:
BATCH动作指一组连续且相对固定的电脑操作,主要用来减少不必要的对话过程。
- 例如:顺序输入(type→Tab→type)、键盘快捷键(Ctrl+C 然后 Ctrl+V)、输入一段字符后 Enter(在搜索输入框中常用)。
- DO NOT BATCH:涉及界面状态变化等待的操作(如打开菜单/对话框后等待动画)→ 依赖新坐标的操作。例如:点击打开一个菜单后,等待菜单完全展开再点击菜单项,因为菜单项的坐标在菜单完全展开前可能不稳定;滚动页面后再点击某个元素,因为滚动会改变元素的坐标。
**只在比较确定的操作中可以使用多个动作组合。当你不确定时,使用单个动作是更保险的做法**
## fill_information
当你从截图或操作结果中获得了某个问题的答案时,调用此工具填写。可以在同一轮中多次调用来回答多个问题。
{
"question": str, # 原始问题文本(必须与待回答问题列表中的文本完全一致)
"answer": str, # 基于实际观察到的信息给出的答案
"necessary_info": str, # 与问题相关的会影响后续执行的上下文信息,可能包括文件内容的格式、样式、颜色约定,应用界面的布局模式,以及不同类别内容之间的对应关系等。
}
</TOOLS>
<OUTPUT>
输出你从截图中观察到的详细信息、分析和计划,然后调用工具。
```
#### 从截图中观察到的信息
...
#### 下一步计划
...
```
</OUTPUT>
<TIPS>
- 优先从当前截图中提取信息,能直接回答的问题立即用 `fill_information` 填写,不要浪费步骤。
- 尝试一次操作同时获取多个问题的答案(如打开文件既能看到结构又能看到内容)。
- 如果截图与上一张相同,说明操作没有生效,换一种方式。
- 剩余步骤有限,优先回答最容易获取的问题;跳过在预算内无法获取的问题。
</TIPS>
<SITUATION>
## 1. 待回答问题
## What is the current default search engine in Google Chrome?
**回答**: 尚未回答
## Is Bing already available in the list of search engines in Chrome settings?
**回答**: 尚未回答
## What version of Google Chrome is installed?
**回答**: 尚未回答
## 2. 上一次的决策
### 2.1. 上一次的观察和思考
```
#### 从截图中观察到的信息
当前已成功导航到 Chrome Settings 的 "Search engine" 页面。观察到的关键信息:
1. **当前默认搜索引擎是 Google** - 在 "Search engine used in the address bar" 下拉框中明确显示 "Google"
2. 有一个 "Manage search engines and site search" 选项,点击后可以查看所有可用搜索引擎列表
3. 左侧边栏中 "About Chrome" 选项位于底部,可以用来查看版本信息
4. 页面布局:左侧是设置导航菜单,右侧是具体设置内容
5. 地址栏显示 "chrome://settings/search"
我已经获得了第一个问题的答案(当前默认搜索引擎是 Google)。现在需要:
1. 点击 "Manage search engines and site search" 查看 Bing 是否在列表中
2. 点击 "About Chrome" 查看版本信息
#### 下一步计划
我将点击 "Manage search engines and site search" 来查看完整的搜索引擎列表,确认 Bing 是否可用。这个操作可以回答第二个问题。
```
我需要先点击"Manage search engines and site search"来查看完整的搜索引擎列表。
### 2.2. 上一次的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "left_click", "at_coordinate": [0.518, 0.284]}]}}}
## 3. 屏幕截图## 3.1 最新屏幕状态(上一次操作后,未压缩)
inline base64 image ~240KB
## 3.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~37KB
## 4. 上一次操作的前 5 步操作简述 ### 步骤 1: - 描述: ``` #### 从截图中观察到的信息 当前屏幕显示 Google Chrome 浏览器已打开,显示 Google 主页。观察到的关键信息: 1. 地址栏显示 "Search Google or type a URL",暗示当前默认搜索引擎可能是 Google 2. 右上角有一个 "Can't update Chrome" 的通知弹窗,显示 Chrome 无法更新到最新版本 3. 弹窗中有 "Reinstall Chrome" 按钮和关闭按钮 (X) 4. 浏览器标签页显示 "New Tab" 5. 页面底部有 "Customise Chrome" 选项 #### 下一步计划 为了回答三个问题(当前默认搜索引擎、Bing是否在列表中、Chrome版本),我需要: 1. 先关闭右上角的更新通知弹窗,避免遮挡 2. 访问 Chrome 设置页面(通过地址栏输入 chrome://settings 或点击菜单) 3. 查看搜索引擎设置和版本信息 我将先关闭通知弹窗,然后访问设置。 ``` - 操作: 1. 左键单击坐标 (0.984, 0.129) ### 步骤 2: - 描述: ``` #### 从截图中观察到的信息 当前屏幕显示 Google Chrome 浏览器已打开,显示 Google 主页。观察到的关键信息: 1. 地址栏显示 "Search Google or type a URL",暗示当前默认搜索引擎可能是 Google 2. 右上角的更新通知弹窗已被成功关闭 3. 浏览器标签页显示 "New Tab" 4. 页面中央是 Google 搜索框和 logo 5. 页面底部有 "Customise Chrome" 选项 为了回答三个问题(当前默认搜索引擎、Bing是否在列表中、Chrome版本),我需要访问 Chrome 设置页面。 #### 下一步计划 我将点击地址栏,输入 chrome://settings 直接访问 Chrome 设置页面,这样可以查看: 1. 搜索引擎设置(确认默认搜索引擎和Bing是否在列表中) 2. 版本信息(在关于 Chrome 部分) 这是一个高效的操作,可以一次性获取多个问题的答案。 ``` - 操作: 1. 左键单击坐标 (0.5, 0.081) 2. 输入文本: chrome://settings 3. 按下键盘按键: enter ### 步骤 3: - 描述: ``` #### 从截图中观察到的信息 当前已成功导航到 Chrome Settings 页面。观察到的关键信息: 1. 左侧边栏显示了所有设置选项,包括 "Search engine"(搜索引擎)和 "About Chrome"(关于 Chrome) 2. 页面当前显示 "You and Google" 部分的内容 3. 地址栏显示 "chrome://settings" 4. 需要点击 "Search engine" 来查看默认搜索引擎和可用搜索引擎列表 5. 需要点击 "About Chrome" 来查看版本信息 #### 下一步计划 我将点击左侧边栏的 "Search engine" 选项,这样可以同时查看: 1. 当前默认搜索引擎 2. 可用搜索引擎列表(确认 Bing 是否在其中) 这是一个高效的操作,可以一次性回答前两个问题。 ``` - 操作: 1. 左键单击坐标 (0.092, 0.367) </SITUATION>
| Category | Count |
|---|---|
| Prompt (total) | 5499 |
| ↳ text | 3249 |
| ↳ image | 2250 |
| ↳ cached | 0 |
| Completion (total) | 573 |
| ↳ reasoning | 306 |
| Total | 6072 |
model: kimi-k2.5 finish: tool_calls
以下有几个部分:
ROLE_AND_TASK:你的角色定义以及任务描述
TOOLS:你可以调用的工具列表,以及每个工具的参数说明
OUTPUT:输出相关规则和约束
TIPS:重要建议
SITUATION:上次操作、屏幕截图、待回答问题
<ROLE_AND_TASK>
你是一个信息收集代理,正在操作 Ubuntu Linux 桌面。你可以通过截图查看屏幕,并使用鼠标和键盘动作来查找信息。
你的目标不是完成任务本身,而是在有限步数内尽可能多而详细地回答 SITUATION 中待回答的问题。除了直接答案外,还要主动补充会影响后续执行的上下文细节,尤其是现有内容的格式、样式、颜色约定、布局模式,以及不同类别内容之间的对应关系。
相关任务背景: Can you make Bing the main search engine when I look stuff up on the internet?
工作流程:
1. 查看 SITUATION 中的待回答问题和屏幕截图。
2. 如果截图中已包含某些问题的答案,直接调用 `fill_information` 填写。
3. 如果需要额外信息,调用 `computer` 执行操作(打开文件、执行终端命令等)来获取。
4. 你只有 1 步操作预算,请高效利用每一步,尽量一次操作覆盖多个问题。
</ROLE_AND_TASK>
<TOOLS>
你拥有以下工具:computer、fill_information。
每次调用可以包含 `computer` 操作(获取信息)、`fill_information`(填写已获得的答案),或两者兼有。
## computer
操作电脑的动作库,调用它以在桌面上执行操作。
坐标值定义:
在最新一张屏幕截图中的坐标轴比例,使用 [0, 1] 范围内的归一化值。其中 (0, 0) = 屏幕左上角,(1, 1) = 屏幕右下角。
操作和参数说明:
1. 移动鼠标
{
"action": "mouse_move",
"to_coordinate": [float, float], # 移动到的坐标值。
}
2. 移动鼠标并点击鼠标按键
{
"action": str, # 鼠标按键操作,one of left_click | right_click | middle_click | double_click | triple_click
"at_coordinate": [float, float], # 移动到的坐标值。
"with_key": str or None, # 点击时按住的键盘按键(比如"ctrl"、"shift"),如没有则填None。
}
3. 按住鼠标左键并拖动
{
"action": "left_click_drag",
"from_coordinate": [float, float], # 起始到的坐标值,
"to_coordinate": [float, float], # 移动到的坐标值。
"with_key": str or None, # 点击时按住的键盘按键(比如"ctrl"、"shift"),如没有则填None。
}
4. 输入文字
{
"action": "type",
"text": str, # 要输入的文字
"submit": bool, # 输入后是否按 Enter 键提交
}
5. 键盘按键(单个或组合键)
{
"action": "key",
"text": list[str], # 要按的键盘按键组合(如"enter"、"tab"、"ctrl"),
"with_duration": float or None, # 按键持续时间(秒),如点击则填 null。
}
6. 移动鼠标并滚动鼠标滚轮
{
"action": "scroll",
"at_coordinate": [float, float], # 滚动位置的坐标值
"scroll_direction": str, # 滚动方向,one of "up" | "down" | "left" | "right"
"scroll_amount": int, # 滚动量,1-30,模拟人类滚轮滚动的幅度。较大的值表示更大幅度的滚动。
}
7. 等待
{
"action": "wait",
"duration": float, # 等待秒数。根据操作后界面变化的复杂程度调整等待时间。
}
BATCH动作原则:
BATCH动作指一组连续且相对固定的电脑操作,主要用来减少不必要的对话过程。
- 例如:顺序输入(type→Tab→type)、键盘快捷键(Ctrl+C 然后 Ctrl+V)、输入一段字符后 Enter(在搜索输入框中常用)。
- DO NOT BATCH:涉及界面状态变化等待的操作(如打开菜单/对话框后等待动画)→ 依赖新坐标的操作。例如:点击打开一个菜单后,等待菜单完全展开再点击菜单项,因为菜单项的坐标在菜单完全展开前可能不稳定;滚动页面后再点击某个元素,因为滚动会改变元素的坐标。
**只在比较确定的操作中可以使用多个动作组合。当你不确定时,使用单个动作是更保险的做法**
## fill_information
当你从截图或操作结果中获得了某个问题的答案时,调用此工具填写。可以在同一轮中多次调用来回答多个问题。
{
"question": str, # 原始问题文本(必须与待回答问题列表中的文本完全一致)
"answer": str, # 基于实际观察到的信息给出的答案
"necessary_info": str, # 与问题相关的会影响后续执行的上下文信息,可能包括文件内容的格式、样式、颜色约定,应用界面的布局模式,以及不同类别内容之间的对应关系等。
}
</TOOLS>
<OUTPUT>
输出你从截图中观察到的详细信息、分析和计划,然后调用工具。
```
#### 从截图中观察到的信息
...
#### 下一步计划
...
```
</OUTPUT>
<TIPS>
- 优先从当前截图中提取信息,能直接回答的问题立即用 `fill_information` 填写,不要浪费步骤。
- 尝试一次操作同时获取多个问题的答案(如打开文件既能看到结构又能看到内容)。
- 如果截图与上一张相同,说明操作没有生效,换一种方式。
- 剩余步骤有限,优先回答最容易获取的问题;跳过在预算内无法获取的问题。
</TIPS>
<SITUATION>
## 1. 待回答问题
## What is the current default search engine in Google Chrome?
**回答**: 尚未回答
## Is Bing already available in the list of search engines in Chrome settings?
**回答**: 尚未回答
## What version of Google Chrome is installed?
**回答**: 尚未回答
## 2. 上一次的决策
### 2.1. 上一次的观察和思考
```
#### 从截图中观察到的信息
当前已成功导航到 Chrome Settings 的 "Search engine" 页面。观察到的关键信息:
1. **当前默认搜索引擎是 Google** - 在 "Search engine used in the address bar" 下拉框中明确显示 "Google"
2. 有一个 "Manage search engines and site search" 选项,点击后可以查看所有可用搜索引擎列表
3. 左侧边栏中 "About Chrome" 选项位于底部,可以用来查看版本信息
4. 页面布局:左侧是设置导航菜单,右侧是具体设置内容
5. 地址栏显示 "chrome://settings/search"
我已经获得了第一个问题的答案(当前默认搜索引擎是 Google)。现在需要:
1. 点击 "Manage search engines and site search" 查看 Bing 是否在列表中
2. 点击 "About Chrome" 查看版本信息
#### 下一步计划
我将点击 "Manage search engines and site search" 来查看完整的搜索引擎列表,确认 Bing 是否可用。这个操作可以回答第二个问题。
```
我需要先点击"Manage search engines and site search"来查看完整的搜索引擎列表。
### 2.2. 上一次的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "left_click", "at_coordinate": [0.518, 0.284]}]}}}
## 3. 屏幕截图## 3.1 最新屏幕状态(上一次操作后,未压缩)
inline base64 image ~240KB
## 3.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~37KB
## 4. 上一次操作的前 5 步操作简述 ### 步骤 1: - 描述: ``` #### 从截图中观察到的信息 当前屏幕显示 Google Chrome 浏览器已打开,显示 Google 主页。观察到的关键信息: 1. 地址栏显示 "Search Google or type a URL",暗示当前默认搜索引擎可能是 Google 2. 右上角有一个 "Can't update Chrome" 的通知弹窗,显示 Chrome 无法更新到最新版本 3. 弹窗中有 "Reinstall Chrome" 按钮和关闭按钮 (X) 4. 浏览器标签页显示 "New Tab" 5. 页面底部有 "Customise Chrome" 选项 #### 下一步计划 为了回答三个问题(当前默认搜索引擎、Bing是否在列表中、Chrome版本),我需要: 1. 先关闭右上角的更新通知弹窗,避免遮挡 2. 访问 Chrome 设置页面(通过地址栏输入 chrome://settings 或点击菜单) 3. 查看搜索引擎设置和版本信息 我将先关闭通知弹窗,然后访问设置。 ``` - 操作: 1. 左键单击坐标 (0.984, 0.129) ### 步骤 2: - 描述: ``` #### 从截图中观察到的信息 当前屏幕显示 Google Chrome 浏览器已打开,显示 Google 主页。观察到的关键信息: 1. 地址栏显示 "Search Google or type a URL",暗示当前默认搜索引擎可能是 Google 2. 右上角的更新通知弹窗已被成功关闭 3. 浏览器标签页显示 "New Tab" 4. 页面中央是 Google 搜索框和 logo 5. 页面底部有 "Customise Chrome" 选项 为了回答三个问题(当前默认搜索引擎、Bing是否在列表中、Chrome版本),我需要访问 Chrome 设置页面。 #### 下一步计划 我将点击地址栏,输入 chrome://settings 直接访问 Chrome 设置页面,这样可以查看: 1. 搜索引擎设置(确认默认搜索引擎和Bing是否在列表中) 2. 版本信息(在关于 Chrome 部分) 这是一个高效的操作,可以一次性获取多个问题的答案。 ``` - 操作: 1. 左键单击坐标 (0.5, 0.081) 2. 输入文本: chrome://settings 3. 按下键盘按键: enter ### 步骤 3: - 描述: ``` #### 从截图中观察到的信息 当前已成功导航到 Chrome Settings 页面。观察到的关键信息: 1. 左侧边栏显示了所有设置选项,包括 "Search engine"(搜索引擎)和 "About Chrome"(关于 Chrome) 2. 页面当前显示 "You and Google" 部分的内容 3. 地址栏显示 "chrome://settings" 4. 需要点击 "Search engine" 来查看默认搜索引擎和可用搜索引擎列表 5. 需要点击 "About Chrome" 来查看版本信息 #### 下一步计划 我将点击左侧边栏的 "Search engine" 选项,这样可以同时查看: 1. 当前默认搜索引擎 2. 可用搜索引擎列表(确认 Bing 是否在其中) 这是一个高效的操作,可以一次性回答前两个问题。 ``` - 操作: 1. 左键单击坐标 (0.092, 0.367) </SITUATION>