@DiamondYuan 需要购买零件，DIY ，文档里有组装手册。
默认坐标放在右下角是不是好一点，大部分交互设计都是放在屏幕下侧的。另外不是很懂机器人，但是感觉 xy 的复位不需要每次操作都复位一次吧，计算新 x 和 y 就当前点击位置的偏差，然后每 5 次复位一下会有影响吗。感觉可以快很多。另外我觉得你图片压缩上有很大搞头，只要能压缩到不丢失交互信息，费用能减少很多。
@timethinker 可以用来抓淘宝京东，APP 端价格数据。这种方式，不违法
@xiaomushen 只针对特定场景，有固定操作流程，确实能做到低成本和快速响应。我想做的是，无需配置能操作大部分常用 app ，能应付各种 app 导航，这个场景要求确实 token 很贵。
@fzuccq
midscenejs 是基于纯视觉做自动化测试的，和你的场景几乎一样。
你可以参考他的模型选择
https://midscenejs.com/zh/model-strategy.html
千问和豆包的视觉模型应该不错。 然后成本应该是不高的。
我之前刷过不知道是不是你的，同一台机子操作十几台手机，如果不是的话说明市场早有跟成熟的方案了，你这个一机一控效率太低了
通过物理手段构造的以信息终端为目标的输入， 本质上都是吃政策红利和做政策对抗。
信息终端必须由人类进行物理操作这一限定而产生。
限定被打破便是对这个行当颠覆性的外部条件变化。
@yohjisakamoto 手机正上方比较高的地方有摄像头，拍摄手机屏幕。把机械臂停靠在左上角，是为了不挡住摄像头观察操作结果。context 图片压缩，我已经做了极致优化，只保留最新的图片，历史图片都被 OCR 文本取代了。其实速度瓶颈不是机械运动，而是大模型 api 延迟太高，需要至少 20s 才能返回结果。
@jjtang11 这个 agent 的定位是个人助理，帮你操作需要在手机上做的事情，并不是要做手机自动化农场。
@zhangli2946 你这个论断太宏大了，我只不过想让 agent 能帮我做些琐事，好让我不必每天都操心这些必要而又无足轻重的事情。