识别方案怎么选

写自动化脚本，大部分时间不是花在「怎么点」，而是花在**「怎么让程序认出这个东西」**。

AScript 提供五种识别手段。它们不是互相替代的关系，而是从最快最省到最灵活排成一条梯子。 选错了不是不能用，是会付出不必要的代价——要么慢、要么贵、要么三天两头失效。

一张表看完

方案	速度	费用	前期准备	抗改版	适合什么
找色	毫秒级	免费	取色	弱	颜色独特且固定的目标
找图	毫秒级	免费	截模板图	弱	图标、按钮等有固定图形的目标
文字识别	几十毫秒	免费	无	中	有固定文字的按钮和信息
YOLO	几十毫秒	免费（训练另计）	标注 + 训练	强	同一类目标的大量实例
AI 万物识别	1~3 秒	按量计费	无	最强	只能靠语义描述的目标

决策顺序

从上往下问，第一个「是」就是答案。

1. 目标有独特且固定的颜色吗？

用找色。这是最快最省的方案，没有之一。

血条、进度条、状态指示灯、纯色按钮——这类目标用找色几毫秒就能定位，用别的方案都是浪费。

from ascript.android.screen import FindColors
FindColors.find("#FF3B30-101010")

2. 目标有固定的图形吗？

用找图。截一张模板图，毫秒级匹配，支持透明 PNG 和多尺度。

图标、头像框、道具图案——只要长相稳定，找图就够了。

3. 目标上有固定的文字吗？

用文字识别。内置 ML Kit 和 PP-OCR V5 双引擎，本地推理、离线可用、不计费。

「确定」「立即购买」「加载完成」这类按钮，OCR 比找图更抗改版——按钮换个颜色换个圆角，文字还在。

4. 是同一类目标的大量实例，且值得投入训练吗？

用 YOLO。端侧推理，几十毫秒，一次识别出画面里所有实例。

游戏里的怪物、地图上的资源点、列表里的商品卡片——同一类东西反复出现，找图要截几十张模板、OCR 认不出图形，YOLO 是最合适的。

代价是要标注数据、训练模型（可用 YOLO 云训练），从标注到可用通常要一到几天。目标类型稳定、脚本要长期跑，这个投入才划算。

5. 以上都不行？

用 AI 万物识别。一句话描述，返回坐标。

到这一步，说明目标没有稳定颜色、没有固定图形、没有固定文字、也不值得单独训练模型——只能靠"它是什么"来描述：

ai.find("那个红色的关闭按钮")
ai.find("列表里价格最低的那一项")
ai.click("底部的立即购买按钮")

这是唯一能理解语义的方案，也是唯一在界面改版后大概率还能用的方案。代价是单次 1~3 秒、按 Token 计费。

常见的选错

用 AI 识别做本该找图的事。 最常见，也最贵。有模板图还调 AI，等于把毫秒级免费操作换成秒级付费操作。AI 识别是兜底，不是默认。

用找图做本该 OCR 的事。 按钮文字不变但样式会调（改色、改圆角、加图标），模板图会频繁失效。有文字就优先 OCR。

为了几个目标去训练 YOLO。 标注加训练至少一天起步。目标少、或者种类经常变，直接用 AI 识别更划算——省下的时间够跑很多次推理了。

在循环里反复调 AI 识别。 每一轮都是一次完整推理和一次计费。能用 rect 缩小范围就缩小，能一次问多个就别分开问，能用快方案先筛一遍更好。

推荐的组合用法

最经济的写法不是选一个，而是「快的先上，认不出来再兜底」：

from ascript.android.screen import Ocr
from ascript.android import plug, action
plug.load("ascript_ai")
import ascript_ai as ai

r = Ocr.find("立即购买")                 # 毫秒级，免费
if r is None:
    r = ai.find("底部的立即购买按钮")     # 秒级，计费，但认得出语义

if r:
    action.click(r["center_x"], r["center_y"])

Ocr.find() 和 ai.find() 返回结构完全一致（text / rect / center_x / center_y / confidence）， 所以后面的代码不用分叉。

这样绝大多数情况走的是免费快路径，只有 OCR 真认不出来时才付费调用 AI—— 既保住了速度和成本，又拿到了改版后的兜底能力。

成本控制

用到 AI 万物识别 时，这三条能显著降低开销：

1. 传 rect。 裁剪比降采样保真得多，图更小、更快、更省钱，而且返回的仍是完整屏幕坐标。
2. 复用截图。 同一画面要问多件事，自己截一次传 image=，别让每次调用都重新截屏。
3. 调低 image_tokens。 大目标用 512 就够，不必默认的 1024。但优先试 rect——同样是省 token，裁剪保真，降采样变糊。