| Category | Count |
|---|---|
| Prompt (total) | 5003 |
| ↳ text | 2753 |
| ↳ image | 2250 |
| ↳ cached | 0 |
| Completion (total) | 1414 |
| ↳ reasoning | 742 |
| Total | 6417 |
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: Browse the list of women's Nike jerseys over $60.
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 3 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
## 当前浏览器中除了NBA.com是否还有其他标签页或窗口可以访问Nike官网
**回答**: 否。当前浏览器只有一个标签页打开,显示NBA.com网站,没有看到其他标签页或窗口可以访问Nike官网。
**Context**: 浏览器是Google Chrome,当前只有一个标签页。左侧系统栏有Chrome、文件管理器、终端等图标,但没有看到其他浏览器图标如Firefox、Edge等。
## NBA.com网站上是否有商店(Store)链接可以购买球衣
**回答**: 是。NBA.com网站顶部导航栏右侧有明确的"Store"链接,位于"League Pass"和"Tickets"之间。
**Context**: Store链接在顶部导航栏右侧区域,黑色背景上用白色文字显示。旁边还有League Pass(黄色背景按钮)、Tickets和Sign In选项。
## 系统中是否安装了其他浏览器或可以直接访问nike.com的方式
**回答**: 尚未回答
## 当前隐私弹窗是否需要先处理才能继续浏览
**回答**: 是。页面底部有"YOUR PRIVACY CHOICES"隐私弹窗,包含"I Accept"和"Reject Advertising Cookies"两个按钮,需要点击其中之一才能继续正常浏览网站内容。
**Context**: 隐私弹窗位于页面底部,遮挡了部分内容。弹窗包含Cookie Policy、Terms of Use和Privacy Policy链接。有两个操作按钮:黑色的"I Accept"按钮和黑色的"Reject Advertising Cookies"按钮。
## 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
当前屏幕显示NBA.com网站在Google Chrome浏览器中打开。页面顶部有导航栏,包含Store链接。页面底部有隐私弹窗需要处理。
左侧边栏显示多个应用程序图标:
1. 顶部:Google Chrome图标(彩色圆形)
2. 第二个:蓝色圆形图标,带有波浪设计,疑似Microsoft Edge浏览器
3. 第三个:蓝色文档图标
4. 后续:绿色表格图标、橙色演示图标、灰色终端图标等
隐私弹窗位于页面底部,显示"YOUR PRIVACY CHOICES",有两个按钮:"I Accept"和"Reject Advertising Cookies"。
#### 下一步计划
需要回答"系统中是否安装了其他浏览器"的问题。观察到左侧边栏第二个图标是蓝色圆形,带有波浪设计,这与Microsoft Edge浏览器的logo特征相符。计划点击该图标验证是否为Edge浏览器,从而回答是否有其他浏览器安装的问题。
同时,隐私弹窗仍然显示,需要后续处理,但不影响点击侧边栏图标。
我将点击左侧边栏第二个图标(蓝色圆形图标)来验证是否为其他浏览器。
```
### 2.2. 上一次的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "left_click", "at_coordinate": [0.018, 0.12]}]}}}
## 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 ~798KB
## 3.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~185KB
## 4. 上一次操作的前 5 步操作简述 ### 步骤 1: - 描述: - 操作: 1. 左键单击坐标 (0.109, 0.795) </SITUATION>
| Category | Count |
|---|---|
| Prompt (total) | 5003 |
| ↳ text | 2753 |
| ↳ image | 2250 |
| ↳ cached | 0 |
| Completion (total) | 1414 |
| ↳ reasoning | 742 |
| Total | 6417 |
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: Browse the list of women's Nike jerseys over $60.
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 3 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
## 当前浏览器中除了NBA.com是否还有其他标签页或窗口可以访问Nike官网
**回答**: 否。当前浏览器只有一个标签页打开,显示NBA.com网站,没有看到其他标签页或窗口可以访问Nike官网。
**Context**: 浏览器是Google Chrome,当前只有一个标签页。左侧系统栏有Chrome、文件管理器、终端等图标,但没有看到其他浏览器图标如Firefox、Edge等。
## NBA.com网站上是否有商店(Store)链接可以购买球衣
**回答**: 是。NBA.com网站顶部导航栏右侧有明确的"Store"链接,位于"League Pass"和"Tickets"之间。
**Context**: Store链接在顶部导航栏右侧区域,黑色背景上用白色文字显示。旁边还有League Pass(黄色背景按钮)、Tickets和Sign In选项。
## 系统中是否安装了其他浏览器或可以直接访问nike.com的方式
**回答**: 尚未回答
## 当前隐私弹窗是否需要先处理才能继续浏览
**回答**: 是。页面底部有"YOUR PRIVACY CHOICES"隐私弹窗,包含"I Accept"和"Reject Advertising Cookies"两个按钮,需要点击其中之一才能继续正常浏览网站内容。
**Context**: 隐私弹窗位于页面底部,遮挡了部分内容。弹窗包含Cookie Policy、Terms of Use和Privacy Policy链接。有两个操作按钮:黑色的"I Accept"按钮和黑色的"Reject Advertising Cookies"按钮。
## 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
当前屏幕显示NBA.com网站在Google Chrome浏览器中打开。页面顶部有导航栏,包含Store链接。页面底部有隐私弹窗需要处理。
左侧边栏显示多个应用程序图标:
1. 顶部:Google Chrome图标(彩色圆形)
2. 第二个:蓝色圆形图标,带有波浪设计,疑似Microsoft Edge浏览器
3. 第三个:蓝色文档图标
4. 后续:绿色表格图标、橙色演示图标、灰色终端图标等
隐私弹窗位于页面底部,显示"YOUR PRIVACY CHOICES",有两个按钮:"I Accept"和"Reject Advertising Cookies"。
#### 下一步计划
需要回答"系统中是否安装了其他浏览器"的问题。观察到左侧边栏第二个图标是蓝色圆形,带有波浪设计,这与Microsoft Edge浏览器的logo特征相符。计划点击该图标验证是否为Edge浏览器,从而回答是否有其他浏览器安装的问题。
同时,隐私弹窗仍然显示,需要后续处理,但不影响点击侧边栏图标。
我将点击左侧边栏第二个图标(蓝色圆形图标)来验证是否为其他浏览器。
```
### 2.2. 上一次的操作
{"function": {"name": "computer", "arguments": {"actions": [{"action": "left_click", "at_coordinate": [0.018, 0.12]}]}}}
## 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 ~798KB
## 3.2 上一次屏幕状态(上一次操作前,已压缩)
inline base64 image ~185KB
## 4. 上一次操作的前 5 步操作简述 ### 步骤 1: - 描述: - 操作: 1. 左键单击坐标 (0.109, 0.795) </SITUATION>