#Midscene.js - AI 驱动，带来愉悦的 UI 自动化体验

#功能特性

#用自然语言编写 UI 自动化脚本

• 描述你的目标和步骤，Midscene 会为你规划和操作用户界面。
• 由视觉语言模型驱动，适用于 Web、移动端、桌面端，甚至 <canvas> 场景，并且消耗更少的 Token。
• 使用 JavaScript SDK 或 YAML 格式编写自动化脚本。

#Web & Mobile App & 任意界面

• 网页自动化：可以与 Puppeteer 集成，与 Playwright 集成或使用桥接模式来控制桌面浏览器。
• Android 自动化：使用 JavaScript SDK 配合 adb 来控制本地 Android 设备。
• iOS 自动化：使用 JavaScript SDK 配合 WebDriverAgent 来控制本地 iOS 设备与模拟器。
• 任意界面自动化：使用 JavaScript SDK 来控制你自己的界面。

#面向开发者

• 三种类型的 API:
  • 交互 API: 与用户界面交互。
  • 数据提取 API: 从用户界面和 DOM 中提取数据。
  • 实用 API: 实用函数，如 aiAssert() （断言）, aiLocate() （定位）, aiWaitFor() （等待）。
• MCP: Midscene 提供 MCP 服务，将 Midscene Agent 的原子操作暴露为 MCP 工具，上层 Agent 可以用自然语言检查和操作界面。文档
• 使用缓存，提高执行效率: 使用缓存能力重放脚本，提高执行效率。
• 调试体验: Midscene.js 提供可视化回放报告、内置 Playground 和 Chrome 插件，帮助开发者更高效地定位与排障。

#演示案例

在 Web 浏览器中自主注册 Github 表单，通过所有字段校验：

此外还有这些实战案例：

• iOS 自动化 - 美团下单咖啡
• iOS 自动化 - Twitter 自动点赞 @midscene_ai 首条推文
• Android 自动化 - 懂车帝查看小米 SU7 参数
• Android 自动化 - Booking 预订东京圣诞酒店
• MCP 集成 - Midscene MCP 操作界面发布 prepatch 版本

#零代码快速体验

• Chrome 插件：通过 Chrome 插件 立即开始浏览器内体验，无需编写任何代码。
• Android Playground：使用 Android playground 来控制你的本地 Android 设备。
• iOS Playground：使用 iOS playground 来控制你的本地 iOS 设备。

#视觉语言模型驱动

Midscene.js 在 UI 操作上采用纯视觉（pure-vision）路线：元素定位和交互只基于截图完成。支持视觉语言模型，例如 Qwen3-VL、Doubao-1.6-vision、gemini-3-pro、gemini-3-flash 和 UI-TARS。在数据提取和页面理解场景中，需要时仍可选择附带 DOM 信息。

• UI 操作采用纯视觉定位，不再提供 DOM 提取兼容模式。
• 适用于 Web、移动端、桌面应用，甚至 <canvas> 场景。
• UI 操作无需 DOM，Token 更少、成本更低、运行更快。
• 数据提取和页面理解可按需附带 DOM 信息。
• 支持开源模型，方便自托管。

更多信息请阅读 模型策略。

#两种自动化风格

#自动规划

AI 自主规划执行流程，完成任务

await aiAct('逐一点击所有记录。如果某个记录包含文本"completed"，则跳过它');

#工作流风格

将复杂逻辑拆分为多个步骤，以提高自动化代码的稳定性。

const recordList = await agent.aiQuery('string[], the record list')
for (const record of recordList) {
  const hasCompleted = await agent.aiBoolean(`check if the record ${record}" contains the text "completed"`)
  if (!hasCompleted) {
    await agent.aiTap(record)
  }
}

有关工作流风格的更多详细信息，请参阅 使用 JavaScript 优化 AI 自动化代码

#资源

• 主页和文档：https://midscenejs.com
• 示例项目：https://github.com/web-infra-dev/midscene-example
• API 参考：https://midscenejs.com/api.html
• GitHub：https://github.com/web-infra-dev/midscene

#社区

• Web Infra 团队微信公众号
• Discord
• 在 X 上关注我们
• 飞书交流群

#致谢

我们要感谢以下项目：

• Rsbuild 和 Rslib 提供构建工具。
• UI-TARS 提供开源智能体模型 UI-TARS。
• Qwen2.5-VL 提供开源 VL 模型 Qwen2.5-VL。
• scrcpy 和 yume-chan 让我们能够用浏览器控制 Android 设备。
• appium-adb 提供 adb 的 JavaScript 桥接。
• appium-webdriveragent 用于 JavaScript 操作 XCTest。
• YADB 提供 yadb 工具，提升文本输入性能。
• libnut-core 提供跨平台的原生键盘和鼠标控制。
• Puppeteer 提供浏览器自动化和控制。
• Playwright 提供浏览器自动化、控制和测试。

#License

Midscene.js 使用 MIT 许可协议。