| Category | Count |
|---|---|
| Prompt (total) | 6215 |
| ↳ text | 3965 |
| ↳ image | 2250 |
| ↳ cached | 2048 |
| Completion (total) | 496 |
| ↳ reasoning | 264 |
| Total | 6711 |
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: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: The information are mixed in one field. Help me split them and fill in the columns of First Name, Last Name and Rank. Finish the work and don't touch the original data.。
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: Select and copy the mixed employee data from Column A
1.1: Click on cell A2 and select down to the last row with data (A22)
1.2: Copy the selected range to clipboard
2: Paste the data into Column B as a temporary working copy
2.1: Click on cell B2
2.2: Paste the copied data from Column A
3: Use Text to Columns feature to split the data into three columns
3.1: Select the pasted data range in Column B (B2:B22)
3.2: Open Data menu and select Text to Columns
3.3: Choose Separated by and check Space as delimiter
3.4: Click OK to split data into columns B (First Name), C (Last Name), and D (Rank)
4: Verify the split results
4.1: Confirm First Name is in Column B, Last Name in Column C, and Rank in Column D
4.2: Verify Column A remains untouched with original mixed data
## 2. 任务失败条件检查
- LibreOffice Calc is not running or the spreadsheet file is inaccessible
- The spreadsheet is read-only, protected, or locked for editing
- Column A contains no data to split
- The data format is inconsistent (not in 'FirstName LastName Rank' format with space separators)
- Insufficient permissions to modify the spreadsheet
## 3. 关键视觉证据
- Column B header cell displays 'First Name', Column C header displays 'Last Name', Column D header displays 'Rank'
- Cell B2 contains 'Benedict' and cell C2 contains 'Cucumberpatch' and cell D2 contains 'Manager'
- Cell B3 contains 'Blake' and cell C3 contains 'Dreary' and cell D3 contains 'CEO'
- Cell A2 still contains the original mixed text 'Benedict Cucumberpatch Manager'
- Cell B15 contains 'Jonah' and cell C15 contains 'Mountain' and cell D15 contains 'Founder'
## 4. 上一次返回的决策
### 4.1. 上一次的观察和思考
```
#### 重要信息
- 已成功选择范围 A2:A22(状态栏显示 "Selected: 21 rows, 1 column")
- 单元格引用框显示 "A2:A22"
- Column A 的数据从第2行到第22行已被蓝色高亮选中
- 数据包含混合的员工信息(名字、姓氏、职级)
#### 情况分析与思考过程
根据策略树,当前已完成步骤 1.1(选择数据范围)。现在需要:
1. ✅ 选择 A2:A22 范围(已完成)
2. 复制选中的数据(当前步骤)
3. 点击 B2 并粘贴
4. 使用 Text to Columns 按空格分隔
下一步操作应该是复制选中的数据,使用 Ctrl+C 快捷键。
```
我需要复制选中的数据范围 A2:A22。我将使用 Ctrl+C 快捷键来复制这些数据。
### 4.2. 上一次返回的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "key", "text": ["ctrl", "c"]}]}}}
## 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 ~317KB
## 5.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~93KB
## 6. 上一次操作的前50步操作简述 ### 步骤 1: - 描述: ``` #### 重要信息 - LibreOffice Calc 已打开,文件名为 "Employee_Roles_and_Ranks.xlsx" - Column A 包含混合数据:员工名字、姓氏和职级都在同一列,格式为 "FirstName LastName Rank" - Column B、C、D 的表头已分别为 "First Name"、"Last Name"、"Rank",但数据区域为空 - 数据从第2行开始(第1行是表头),至少到第22行(从截图可见到 "Selena Stopmez Clerk") - 当前光标在 A15 单元格(显示 "Jonah Mountain Founder") #### 情况分析与思考过程 任务目标:将 Column A 中的混合数据(FirstName LastName Rank)分离到三个独立列(First Name, Last Name, Rank),同时不改动原始数据。 根据策略树,我需要: 1. 首先选择 Column A 中的数据(A2 到最后一行有数据的行) 2. 复制数据 3. 粘贴到 Column B 4. 使用 Text to Columns 功能按空格分隔 第一步:我需要先点击 A2 单元格,然后选择从 A2 到 A22(或更下面如果有更多数据)的范围。让我先点击 A2 开始选择。 ``` - 操作: 1. 左键单击坐标 (0.085, 0.301) ### 步骤 2: - 描述: ``` #### 重要信息 - 已成功点击 A2 单元格,当前选中 A2(显示 "Benedict Cucumberbatch Manager") - 数据范围从 A2 到 A22(最后一行可见数据是第22行的 "Selena Stopmez Clerk") - 需要选择整个范围 A2:A22 以便复制数据 #### 情况分析与思考过程 根据策略树,我现在需要: 1. 选择从 A2 到 A22 的数据范围 2. 复制这些数据 3. 粘贴到 B2 4. 使用 Text to Columns 功能按空格分隔 当前 A2 已被选中,我需要扩展选择到 A22。最简单的方法是按住 Shift 键并点击 A22 单元格。从截图看,A22 位于第22行,列A的位置。 ``` 我需要选择从 A2 到 A22 的范围。我将按住 Shift 键并点击 A22 单元格来选择整个数据范围。 - 操作: 1. 左键单击坐标 (0.085, 0.614),同时按住键 shift </SITUATION>
| Category | Count |
|---|---|
| Prompt (total) | 6215 |
| ↳ text | 3965 |
| ↳ image | 2250 |
| ↳ cached | 2048 |
| Completion (total) | 496 |
| ↳ reasoning | 264 |
| Total | 6711 |
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: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: The information are mixed in one field. Help me split them and fill in the columns of First Name, Last Name and Rank. Finish the work and don't touch the original data.。
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: Select and copy the mixed employee data from Column A
1.1: Click on cell A2 and select down to the last row with data (A22)
1.2: Copy the selected range to clipboard
2: Paste the data into Column B as a temporary working copy
2.1: Click on cell B2
2.2: Paste the copied data from Column A
3: Use Text to Columns feature to split the data into three columns
3.1: Select the pasted data range in Column B (B2:B22)
3.2: Open Data menu and select Text to Columns
3.3: Choose Separated by and check Space as delimiter
3.4: Click OK to split data into columns B (First Name), C (Last Name), and D (Rank)
4: Verify the split results
4.1: Confirm First Name is in Column B, Last Name in Column C, and Rank in Column D
4.2: Verify Column A remains untouched with original mixed data
## 2. 任务失败条件检查
- LibreOffice Calc is not running or the spreadsheet file is inaccessible
- The spreadsheet is read-only, protected, or locked for editing
- Column A contains no data to split
- The data format is inconsistent (not in 'FirstName LastName Rank' format with space separators)
- Insufficient permissions to modify the spreadsheet
## 3. 关键视觉证据
- Column B header cell displays 'First Name', Column C header displays 'Last Name', Column D header displays 'Rank'
- Cell B2 contains 'Benedict' and cell C2 contains 'Cucumberpatch' and cell D2 contains 'Manager'
- Cell B3 contains 'Blake' and cell C3 contains 'Dreary' and cell D3 contains 'CEO'
- Cell A2 still contains the original mixed text 'Benedict Cucumberpatch Manager'
- Cell B15 contains 'Jonah' and cell C15 contains 'Mountain' and cell D15 contains 'Founder'
## 4. 上一次返回的决策
### 4.1. 上一次的观察和思考
```
#### 重要信息
- 已成功选择范围 A2:A22(状态栏显示 "Selected: 21 rows, 1 column")
- 单元格引用框显示 "A2:A22"
- Column A 的数据从第2行到第22行已被蓝色高亮选中
- 数据包含混合的员工信息(名字、姓氏、职级)
#### 情况分析与思考过程
根据策略树,当前已完成步骤 1.1(选择数据范围)。现在需要:
1. ✅ 选择 A2:A22 范围(已完成)
2. 复制选中的数据(当前步骤)
3. 点击 B2 并粘贴
4. 使用 Text to Columns 按空格分隔
下一步操作应该是复制选中的数据,使用 Ctrl+C 快捷键。
```
我需要复制选中的数据范围 A2:A22。我将使用 Ctrl+C 快捷键来复制这些数据。
### 4.2. 上一次返回的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "key", "text": ["ctrl", "c"]}]}}}
## 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 ~317KB
## 5.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~93KB
## 6. 上一次操作的前50步操作简述 ### 步骤 1: - 描述: ``` #### 重要信息 - LibreOffice Calc 已打开,文件名为 "Employee_Roles_and_Ranks.xlsx" - Column A 包含混合数据:员工名字、姓氏和职级都在同一列,格式为 "FirstName LastName Rank" - Column B、C、D 的表头已分别为 "First Name"、"Last Name"、"Rank",但数据区域为空 - 数据从第2行开始(第1行是表头),至少到第22行(从截图可见到 "Selena Stopmez Clerk") - 当前光标在 A15 单元格(显示 "Jonah Mountain Founder") #### 情况分析与思考过程 任务目标:将 Column A 中的混合数据(FirstName LastName Rank)分离到三个独立列(First Name, Last Name, Rank),同时不改动原始数据。 根据策略树,我需要: 1. 首先选择 Column A 中的数据(A2 到最后一行有数据的行) 2. 复制数据 3. 粘贴到 Column B 4. 使用 Text to Columns 功能按空格分隔 第一步:我需要先点击 A2 单元格,然后选择从 A2 到 A22(或更下面如果有更多数据)的范围。让我先点击 A2 开始选择。 ``` - 操作: 1. 左键单击坐标 (0.085, 0.301) ### 步骤 2: - 描述: ``` #### 重要信息 - 已成功点击 A2 单元格,当前选中 A2(显示 "Benedict Cucumberbatch Manager") - 数据范围从 A2 到 A22(最后一行可见数据是第22行的 "Selena Stopmez Clerk") - 需要选择整个范围 A2:A22 以便复制数据 #### 情况分析与思考过程 根据策略树,我现在需要: 1. 选择从 A2 到 A22 的数据范围 2. 复制这些数据 3. 粘贴到 B2 4. 使用 Text to Columns 功能按空格分隔 当前 A2 已被选中,我需要扩展选择到 A22。最简单的方法是按住 Shift 键并点击 A22 单元格。从截图看,A22 位于第22行,列A的位置。 ``` 我需要选择从 A2 到 A22 的范围。我将按住 Shift 键并点击 A22 单元格来选择整个数据范围。 - 操作: 1. 左键单击坐标 (0.085, 0.614),同时按住键 shift </SITUATION>