如何让agent去点击这个复选框，完成勾选？

X-PLUG / MobileAgent

Mobile-Agent: The Powerful Mobile Device Operation Assistant Family

https://arxiv.org/abs/2406.01014

MIT License

2.96k stars 274 forks source link

Open herist opened 1 month ago

herist commented 1 month ago

尝试这样表达 "点击[我已阅读并同意]左边的复选框，完成勾选，" 但是ocr识别似乎是以“点”为主，始终点不到这个复选框

junyangwang0410 commented 1 month ago

你可以在add_info中加入这样的描述：你需要勾选复选框，为了完成这个操作，你需要点击与“立即注册”同纵坐标、与“《用户服务协议》”同横坐标的位置

这个框因为特征不明显，不容易被检测出或者形象地描述出来，因此属于比较无解的case，不过可以尝试通过“参照物”的方法来解决，即找到容易被定位的位置，然后通过关联性让模型推理出需要点击的位置的坐标

dl-robert commented 4 weeks ago

我测试的也是这样，开启反思，重试多次后它能点到