新闻详情

新闻详情

首页 / 资讯中心 / 详情

【按键精灵移动版开发】MQ 脚本开发不用背 API:把 570 个命令文档做成 AI 技能,中文需求直出 Q 语法代码

发布时间:2026/10/4 14:21:24来源:尧图网络
【按键精灵移动版开发】MQ 脚本开发不用背 API:把 570 个命令文档做成 AI 技能,中文需求直出 Q 语法代码
按键精灵移动版 MQ 脚本开发中查文档、记参数这部分工作可以完全交出去了。你只需要用中文说清需求按键精灵手机端AI工具会先到本地 API 文档里核实命令签名与返回值再输出符合 MQ 编码规范的 Q 语法代码含Dim显式声明、返回值判断、TickCount()超时保护、函数封装按键精灵ai技能包把移动版 MQ 的完整文档整理成本地知识库做成一个技能references/api/570 个 API 的完整文档按官方目录结构存放。找图找色、触摸控制、OCR、控件操作、插件、配置读写全都在。references/syntax/MQ 语法规则。变量、函数、控制流、数据类型、运算符、UI、插件另附常见错误清单。prompt.md编码规范与代码模板。这个方案最关键的设定是它不靠记忆靠查。每次生成代码之前按键精灵ai技能包它会先到references/api/里把相关命令的文档翻出来确认函数语法、参数顺序、返回值类型然后才动手写。所以拿到手的不是看起来很像 MQ 的代码而是参数对得上、返回值敢判断的代码。而你这边全程只需要用中文描述需求。使用按键精灵手机端AI技能工具直接说需求自动触发只要语句中出现下列关键词就会被自动触发不需要记任何 API 名称按键精灵、MQ、Q 语法、找图找色、自动点击、滑动、按键输入、安卓/iOS 自动化、APP 自动化、UI 自动化、函数封装、文件与配置读写。正常描述即可。需要确保一定命中时在前面加/anjian-mq比如/anjian-mq 帮我封装一个 OcrEx 指定范围识别文字的功能提需求的三要素说得越具体第一次就越接近可用这一点我认为比工具本身更重要。帮我写个找图和下面这种说法产出质量差一个量级。必须说清三件事做什么——找什么图、找什么颜色、点哪个位置、滑动多远有什么限制——超时多久、重试几次然后呢——找到了执行什么找不到执行什么第 3 条最容易被省略但它恰恰决定了代码的骨架结构。产出形态不是每次都生成文件按代码量自动选择产出形态情况产出形态只是几段片段、行数不多直接在对话里给代码块不生成文件代码行数较多生成文件需要两种及以上类型的代码如主逻辑 界面按类型生成对应文件明确要求生成完整项目生成一整套项目文件生成文件时按需求类型给出对应扩展名扩展名用途生成时机.mq脚本主文件代码逻辑生成文件时都有.uip静态界面文件描述界面外观需求带界面时.uis静态界面控件对应的事件函数界面有响应事件时与 .uip 配套生成.prop项目配置文件记录脚本名称、ID 等生成完整项目时三种常见组合普通脚本需求 → 代码块或单个 .mq带界面的需求 → .mq .uip .uis完整项目需求 → .mq .uip .uis .prop相似度、偏色、延时这三个参数只有真机能调。工具给的是一组合理初值不是最终答案。跑起来效果不对怎么办把报错信息和TracePrint 日志原样复制回来发过去继续改。这里单独强调一句很多人调试只发一句跑不了。日志才是有效信息。点到了但没反应和根本没找到图是两个完全不同的问题排查方向也完全不同。这套方案解决的其实不是会不会写代码的问题而是记不住文档的问题。MQ 语法本身并不复杂570 个 API 中日常真正用到的也就几十个。消耗人的从来不是语法而是反复查参数、反复试错最后发现是返回值没判断。把查文档这件事交出去人专注在这个脚本该有什么逻辑上——这是 AI 在这类场景里最实际的位置。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/4 15:04:22

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/4 15:02:13

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/4 14:32:28

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/4 14:31:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/4 14:31:34

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/4 14:31:34

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉