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:操作历史和任务相关状态
<ROLE_AND_TASK>
你是一个计算机操作代理,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控制它。
你的任务是:借助工具,来操作一台电脑来达成任务: I want Chrome to warn me whenever I visit a potentially harmful or unsafe website. Can you enable this safety feature?。
电脑的操作系统: Ubuntu Linux
工作流程:
1. 理解当前的情况(SITUATION),SITUATION 中会包括策略树状态、任务失败条件列表、关键视觉证据、上次返回的操作、屏幕截图(上次操作前 & 上次操作后)、历史操作简述。
2. 思考如何尽快达成任务,规划接下来的动作。可以是1次动作,也可以是一组BATCH动作。BATCH动作原则见下。
3. 输出tool_calls:包含你规划的需要执行的电脑操作以及维护 SITUAION 的工具调用。
4. 重复上面步骤,直到任务达成。
关于策略树:
- 策略树是一个分层的任务管理结构。
- 它可以帮助你组织和跟踪任务所需的步骤。也可以帮助你在某个细分尝试方向失败时,回退到高级的节点来尝试其他方法。通过维护策略树,你可以系统地分解复杂任务,并且在较困难的子任务中大胆尝试,确保每一步都得到适当的关注和执行。
- 策略树必须以层次结构组织,实例:
`1`: 顶层任务。重要目标或里程碑,从用户给出的任务开始拆解。
`1.1`, `1.2`, ...: 任务 `1` 的子任务。
`1.1.1`, `1.1.2`, ...: 任务 `1.1` 的子任务或尝试路径方案。它们不是实际动作,而是对父任务的子目标贡献。
关于失败条件列表:
- 失败条件列表是一个 checklist
- 它用于辨认当前任务是否还有达成的可能。当所有失败条件都被确认为真后,任务将返回不可能达成。
关于关键视觉证据:
- 关键视觉证据是一些屏幕状态的描述,这些状态可以通过截图来验证。
- 任务完成后,验证模块会检查这些视觉证据是否都满足,以判断任务是否成功完成。
</ROLE_AND_TASK>
<TOOLS>
你拥有以下工具:computer、update_strategy_tree。
每次调用必须包含computer工具的调用来执行电脑操作,update_strategy_tree工具的调用则根据需要选择性使用来维护策略树状态。
## 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**
## update_strategy_tree
维护策略树的相关工具
1. 创建新任务节点
{
"action": "create",
"parent_id": str or None, # 父任务ID,根任务则填None。此操作会在这个父节点下顺序创建子节点。
"description": str, # 任务描述
}
2. 更改节点状态
{
"action": "change_status",
"id": str, # 任务ID,使用点号分隔的层次编号(如 1.2.1),程序会自动解析层级关系。
"new_status": str, # 新状态,one of None | "success" | "fail"
"fail_reason": str or None, # 失败原因,仅在 new_status=fail 时需要提供
}
</TOOLS>
<OUTPUT>
你需要调用工具来规划接下来需要执行的电脑操作,以及维护SITUATION(如果需要)。
另外你需要输出从最新的屏幕截图中观察到的重要信息、你对当前情况的分析、为什么这么做的思考过程(thoughts)。
```
#### 重要信息
...
#### 情况分析与思考过程
...
```
</OUTPUT>
<TIPS>
- 尽量以最少的操作数完成任务。每个动作都应该有明确的目的,并直接推动任务向前发展。
- 优先操作成功率,其次是操作的效率。
- 尽可能使用键盘快捷键(例如 ctrl+l 聚焦浏览器地址栏),以增加操作的成功率。
- 如果一段时间的多个动作后还未产生预期结果,参考策略树中其父节点的目标并尝试替代路径。
- 始终记得完成时保存文件(例如 ctrl+s),除非任务明确说不需要。
- 永远不要假设操作成功。寻找预期变化的具体视觉证据。
- 如果截图与上一张相同,说明上一次操作没有产生任何效果。不要假设它成功——诊断为什么失败并尝试不同的方法。
</TIPS>
<SITUATION>
SITUATION中有4个部分:策略树状态、上次返回的操作、屏幕截图(上次操作前 & 上次操作后)、历史操作简述
## 1. 策略树状态
1: [success] Open Chrome Settings menu
1.1: Click the three-dot menu button in top-right corner of Chrome
1.2: Select 'Settings' from the dropdown menu
2: [success] Navigate to Security settings
2.1: Click on 'Privacy and security' in the left sidebar
2.2: Click on 'Security' under Privacy and security section
3: [success] Enable Safe Browsing protection
3.1: Select 'Standard protection' or 'Enhanced protection' radio button
3.2: [success] Verify the setting is active and close settings tab
## 2. 任务失败条件检查
- Chrome browser is not installed or cannot be launched
- Chrome settings are locked by administrator policy
- Safe Browsing feature is disabled by organization policy
- User lacks permission to modify Chrome settings
## 3. 关键视觉证据
- Chrome Settings页面已打开,显示'Privacy and security'部分
- 'Safe Browsing'选项设置为'Standard protection'或'Enhanced protection'(选中状态的radio button可见)
- 页面显示'Protects you and your device from dangerous sites'的文字说明
## 4. 上一次返回的决策
### 4.1. 上一次的观察和思考
```
#### 重要信息
- Chrome Settings页面已打开,显示Security设置(chrome://settings/security)
- Safe Browsing部分显示"Standard protection"已被选中(蓝色radio button)
- 描述文字确认:"Detects and warns you about dangerous events when they happen"
- 任务目标已达成:Chrome现在会在访问危险网站时发出警告
#### 情况分析与思考过程
根据当前截图,我可以看到:
1. "Standard protection"选项已被选中(蓝色radio button)
2. 页面明确显示该功能会"Detects and warns you about dangerous events when they happen"
3. 这意味着Safe Browsing功能已成功启用
任务已完成!用户要求启用Chrome的安全功能以在访问潜在有害网站时发出警告,现在该功能已通过"Standard protection"设置启用。
接下来我应该:
1. 更新策略树,将所有任务标记为成功
2. 关闭设置标签页以完成整个流程
策略树更新:
- 1: Open Chrome Settings menu - success
- 2: Navigate to Security settings - success
- 3: Enable Safe Browsing protection - success
- 3.1: Select protection level - success
- 3.2: Verify and close - 需要标记为success并关闭标签页
```
### 4.2. 上一次返回的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "left_click", "at_coordinate": [0.169, 0.042]}]}}}
## 5. 屏幕截图
## 5.1 最新屏幕状态(上一次操作后,未压缩)
inline base64 image ~1183KB
## 5.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~66KB
## 6. 上一次操作的前50步操作简述 ### 步骤 1: - 描述: ``` #### 重要信息 - Chrome浏览器已经打开,显示Google首页 - 右上角有一个"Can't update Chrome"的通知弹窗,需要关闭 - 任务需要启用Chrome的Safe Browsing功能来保护用户免受危险网站的威胁 #### 情况分析与思考过程 根据策略树,我需要: 1. 首先关闭更新通知弹窗(避免遮挡菜单) 2. 点击Chrome右上角的三点菜单 3. 选择Settings 4. 导航到Privacy and security > Security 5. 启用Safe Browsing(选择Standard protection或Enhanced protection) 现在需要先关闭通知弹窗,然后打开Chrome设置菜单。我会先关闭通知,再点击菜单按钮。 ``` - 操作: 1. 左键单击坐标 (0.984, 0.129) 2. 左键单击坐标 (0.989, 0.079) 3. 等待 1 秒 ### 步骤 2: - 描述: ``` #### 重要信息 - Chrome菜单已成功打开,显示下拉菜单 - 菜单顶部显示"Safe Browsing is off"的警告,确认安全浏览功能当前已关闭 - 菜单中包含"Settings"选项,位于菜单底部附近 #### 情况分析与思考过程 上一步成功打开了Chrome的三点菜单。现在我可以看到: 1. 菜单已展开,显示所有Chrome选项 2. 顶部明确显示"Safe Browsing is off",这证实了我们需要启用这个功能 3. 接下来需要点击"Settings"进入设置页面 根据策略树计划: - 1.1 点击三点菜单 ✓(已完成) - 1.2 选择Settings(当前步骤) - 然后导航到Privacy and security > Security - 最后启用Safe Browsing 我需要点击菜单中的"Settings"选项来继续任务。 ``` - 操作: 1. 左键单击坐标 (0.823, 0.787) ### 步骤 3: - 描述: ``` #### 重要信息 - Chrome Settings页面已成功打开,显示在chrome://settings - 左侧边栏显示多个设置选项,包括"Privacy and security" - 当前页面显示"You and Google"部分的设置内容 - 需要点击"Privacy and security"来访问安全浏览设置 #### 情况分析与思考过程 上一步成功点击了Settings,现在Chrome设置页面已打开。根据策略树: - 1.1 点击三点菜单 ✓ - 1.2 选择Settings ✓ - 2.1 点击"Privacy and security"(当前步骤) - 2.2 点击"Security" - 3.1 选择保护级别 我可以看到左侧边栏中有"Privacy and security"选项,需要点击它来进入隐私和安全设置页面,然后才能找到Safe Browsing选项。 ``` - 操作: 1. 左键单击坐标 (0.102, 0.256) ### 步骤 4: - 描述: ``` #### 重要信息 - Chrome Settings页面已成功打开,当前显示"Privacy and security"部分 - 左侧边栏中"Privacy and security"已高亮显示 - 主内容区域显示多个隐私和安全选项,包括"Security"选项 - "Security"选项的描述明确提到"Safe Browsing (protection from dangerous sites) and other security settings" - 需要点击"Security"来进入安全浏览设置页面 #### 情况分析与思考过程 上一步成功点击了"Privacy and security",现在页面已切换到隐私和安全设置。根据策略树: - 1.1 点击三点菜单 ✓ - 1.2 选择Settings ✓ - 2.1 点击"Privacy and security" ✓ - 2.2 点击"Security"(当前步骤) - 3.1 选择保护级别 我可以看到"Security"选项在页面中,描述文字明确提到"Safe Browsing (protection from dangerous sites)",这正是我们需要配置的功能。点击这个选项将带我进入安全浏览设置页面,在那里可以选择"Standard protection"或"Enhanced protection"来启用安全浏览功能。 ``` - 操作: 1. 左键单击坐标 (0.383, 0.85) ### 步骤 5: - 描述: - 操作: 1. 左键单击坐标 (0.352, 0.615) ### 步骤 6: - 描述: ``` #### 重要信息 - Chrome Settings页面已打开,当前显示Security设置页面(chrome://settings/security) - Safe Browsing部分显示三个选项:Enhanced protection、Standard protection、No protection - "Standard protection"选项的radio button已被选中(蓝色圆点) - 描述文字显示:"Standard protection against websites, downloads and extensions that are known to be dangerous" - 下方还有详细说明:"Detects and warns you about dangerous events when they happen" #### 情况分析与思考过程 根据上一张截图(操作前),"No protection (not recommended)"是被选中的状态。上一步操作点击了"Standard protection"的radio button。 从当前截图可以看到: - "Standard protection"现在已被选中(蓝色radio button) - 这意味着Safe Browsing功能已成功启用 - 用户现在会在访问危险网站、下载危险文件或扩展时收到警告 任务目标已经达成!Chrome现在会警告用户访问潜在有害或不安全的网站。我需要更新策略树状态,标记所有任务为完成。 策略树状态更新: - 1: Open Chrome Settings menu ✓ - 1.1: Click the three-dot menu ✓ - 1.2: Select 'Settings' ✓ - 2: Navigate to Security settings ✓ - 2.1: Click 'Privacy and security' ✓ - 2.2: Click 'Security' ✓ - 3: Enable Safe Browsing protection ✓ - 3.1: Select 'Standard protection' ✓ - 3.2: Verify setting is active ✓ ``` - 操作: 1. 等待 1 秒 </SITUATION>
| Category | Count |
|---|---|
| Prompt (total) | 6912 |
| ↳ text | 4662 |
| ↳ image | 2250 |
| ↳ cached | 1536 |
| Completion (total) | 486 |
| ↳ reasoning | 237 |
| Total | 7398 |
model: kimi-k2.5 finish: tool_calls