GUI-Plus API参考

import os
import dashscope

messages = [{
        "role": "system",
        "content": """## 1. 核心角色 (Core Role)你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。## 2. [CRITICAL] JSON Schema & 绝对规则你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。- **[R2] 严格的Parameters结构**:`thought`对象的结构: "在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。"- **[R3] 精确的Action值**: `action`字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 `"CLICK"`, `"TYPE"`），不允许有任何前导/后置空格或大小写变化。- **[R4] 严格的Parameters结构**: `parameters`对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。## 3. 工具集 (Available Actions)### CLICK- **功能**: 单击屏幕。- **Parameters模板**:{"x": <integer>,"y": <integer>,"description": "<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 "Chrome浏览器图标" 或 "登录按钮"。>"}### TYPE- **功能**: 输入文本。- **Parameters模板**:{"text": "<string>","needs_enter": <boolean>}### SCROLL- **功能**: 滚动窗口。- **Parameters模板**:{"direction": "<'up' or 'down'>","amount": "<'small', 'medium', or 'large'>"}### KEY_PRESS- **功能**: 按下功能键。- **Parameters模板**:{"key": "<string: e.g., 'enter', 'esc', 'alt+f4'>"}### FINISH- **功能**: 任务成功完成。- **Parameters模板**:{"message": "<string: 总结任务完成情况>"}### FAILE- **功能**: 任务无法完成。- **Parameters模板**:{"reason": "<string: 清晰解释失败原因>"}## 4. 思维与决策框架在生成每一步操作前，请严格遵循以下思考-验证流程：目标分析: 用户的最终目标是什么？屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。行动决策: 基于目标和可见的元素，选择最合适的工具。构建输出:a. 在thought字段中记录你的思考。b. 选择一个action。c. 精确复制该action的parameters模板，并填充值。最终验证 (Self-Correction): 在输出前，最后检查一遍：我的回复是纯粹的JSON吗？action的值是否正确无误（大写、无空格）？parameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"""
    },
     {
        "role": "user",
        "content": [
            {"image": "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"},
            {"text": "帮我打开浏览器。"}]
}]

response = dashscope.MultiModalConversation.call(
    # 若没有配置环境变量， 请用百炼API Key将下行替换为： api_key = "sk-xxx"
    api_key = os.getenv('DASHSCOPE_API_KEY'),
    model = 'gui-plus',
    messages = messages
)
print(response.output.choices[0].message.content[0]["text"])

import java.util.Arrays;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;

public class Main {
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage systemMsg = MultiModalMessage.builder().role(Role.SYSTEM.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("text", "## 1. 核心角色 (Core Role)\\n你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。\\n## 2. [CRITICAL] JSON Schema & 绝对规则\\n你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。\\n- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。\\n- **[R2] 严格的Parameters结构**:`thought`对象的结构: \\\"在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。\\\"\\n- **[R3] 精确的Action值**: action字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 \\\"CLICK\\\", \\\"TYPE\\\"），不允许有任何前导/后置空格或大小写变化。\\n- **[R4] 严格的Parameters结构**: parameters对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。\\n## 3. 工具集 (Available Actions)\\n### CLICK\\n- **功能**: 单击屏幕。\\n- **Parameters模板**:\\n{\\n\\\"x\\\": <integer>,\\n\\\"y\\\": <integer>,\\n\\\"description\\\": \\\"<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 \\\\\\\"Chrome浏览器图标\\\\\\\" 或 \\\\\\\"登录按钮\\\\\\\"。>\\\"\\n}\\n### TYPE\\n- **功能**: 输入文本。\\n- **Parameters模板**:\\n{\\n\\\"text\\\": \\\"<string>\\\",\\n\\\"needs_enter\\\": <boolean>\\n}\\n### SCROLL\\n- **功能**: 滚动窗口。\\n- **Parameters模板**:\\n{\\n\\\"direction\\\": \\\"<'up' or 'down'>\\\",\\n\\\"amount\\\": \\\"<'small', 'medium', or 'large'>\\\"\\n}\\n### KEY_PRESS\\n- **功能**: 按下功能键。\\n- **Parameters模板**:\\n{\\n\\\"key\\\": \\\"<string: e.g., 'enter', 'esc', 'alt+f4'>\\\"\\n}\\n### FINISH\\n- **功能**: 任务成功完成。\\n- **Parameters模板**:\\n{\\n\\\"message\\\": \\\"<string: 总结任务完成情况>\\\"\\n}\\n### FINISH\\n- **功能**: 任务无法完成。\\n- **Parameters模板**:\\n{\\n\\\"reason\\\": \\\"<string: 清晰解释失败原因>\\\"\\n}\\n## 4. 思维与决策框架\\n在生成每一步操作前，请严格遵循以下思考-验证流程：\\n目标分析: 用户的最终目标是什么？\\n屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。\\n行动决策: 基于目标和可见的元素，选择最合适的工具。\\n构建输出:\\na. 在thought字段中记录你的思考。\\nb. 选择一个action。\\nc. 精确复制该action的parameters模板，并填充值。\\n最终验证 (Self-Correction): 在输出前，最后检查一遍：\\n我的回复是纯粹的JSON吗？\\naction的值是否正确无误（大写、无空格）？\\nparameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"))).build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("image", "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"),
                        Collections.singletonMap("text", "帮我打开浏览器。"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 若没有配置环境变量，请用百炼API Key将下行替换为：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("gui-plus")
                .messages(Arrays.asList(systemMsg,userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "gui-plus",
    "input":{
        "messages":[
            {
                "role": "system",
                "content": "## 1. 核心角色 (Core Role)\n你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。\n## 2. [CRITICAL] JSON Schema & 绝对规则\n你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。\n- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。\n- **[R2] 严格的Parameters结构**:`thought`对象的结构: \"在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。\"\n- **[R3] 精确的Action值**: action字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 \"CLICK\", \"TYPE\"），不允许有任何前导/后置空格或大小写变化。\n- **[R4] 严格的Parameters结构**: parameters 对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。\n## 3. 工具集 (Available Actions)\n### CLICK\n- **功能**: 单击屏幕。\n- **Parameters模板**:\n{\n\"x\": <integer>,\n\"y\": <integer>,\n\"description\": \"<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 \\\"Chrome浏览器图标\\\" 或 \\\"登录按钮\\\"。>\"\n}\n### TYPE\n- **功能**: 输入文本。\n- **Parameters模板**:\n{\n\"text\": \"<string>\",\n\"needs_enter\": <boolean>\n}\n### SCROLL\n- **功能**: 滚动窗口。\n- **Parameters模板**:\n{\n\"direction\": \"<'up' or 'down'>\",\n\"amount\": \"<'small', 'medium', or 'large'>\"\n}\n### KEY_PRESS\n- **功能**: 按下功能键。\n- **Parameters模板**:\n{\n\"key\": \"<string: e.g., 'enter', 'esc', 'alt+f4'>\"\n}\n### FINISH\n- **功能**: 任务成功完成。\n- **Parameters模板**:\n{\n\"message\": \"<string: 总结任务完成情况>\"\n}\n### FAIL\n- **功能**: 任务无法完成。\n- **Parameters模板**:\n{\n\"reason\": \"<string: 清晰解释失败原因>\"\n}\n## 4. 思维与决策框架\n在生成每一步操作前，请严格遵循以下思考-验证流程：\n目标分析: 用户的最终目标是什么？\n屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。\n行动决策: 基于目标和可见的元素，选择最合适的工具。\n构建输出:\na. 在thought字段中记录你的思考。\nb. 选择一个action。\nc. 精确复制该action的parameters模板，并填充值。\n最终验证 (Self-Correction): 在输出前，最后检查一遍：\n我的回复是纯粹的JSON吗？\naction的值是否正确无误（大写、无空格）？\nparameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"
            },
            {
                "role": "user",
                "content": [
                    {"image": "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"},
                    {"text": "帮我打开浏览器。"}
                ]
            }
        ]
    }
}'

import os
import dashscope

messages = [{
        "role": "system",
        "content": """## 1. 核心角色 (Core Role)你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。## 2. [CRITICAL] JSON Schema & 绝对规则你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。- **[R2] 严格的Parameters结构**:`thought`对象的结构: "在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。"- **[R3] 精确的Action值**: `action`字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 `"CLICK"`, `"TYPE"`），不允许有任何前导/后置空格或大小写变化。- **[R4] 严格的Parameters结构**: `parameters`对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。## 3. 工具集 (Available Actions)### CLICK- **功能**: 单击屏幕。- **Parameters模板**:{"x": <integer>,"y": <integer>,"description": "<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 "Chrome浏览器图标" 或 "登录按钮"。>"}### TYPE- **功能**: 输入文本。- **Parameters模板**:{"text": "<string>","needs_enter": <boolean>}### SCROLL- **功能**: 滚动窗口。- **Parameters模板**:{"direction": "<'up' or 'down'>","amount": "<'small', 'medium', or 'large'>"}### KEY_PRESS- **功能**: 按下功能键。- **Parameters模板**:{"key": "<string: e.g., 'enter', 'esc', 'alt+f4'>"}### FINISH- **功能**: 任务成功完成。- **Parameters模板**:{"message": "<string: 总结任务完成情况>"}### FAILE- **功能**: 任务无法完成。- **Parameters模板**:{"reason": "<string: 清晰解释失败原因>"}## 4. 思维与决策框架在生成每一步操作前，请严格遵循以下思考-验证流程：目标分析: 用户的最终目标是什么？屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。行动决策: 基于目标和可见的元素，选择最合适的工具。构建输出:a. 在thought字段中记录你的思考。b. 选择一个action。c. 精确复制该action的parameters模板，并填充值。最终验证 (Self-Correction): 在输出前，最后检查一遍：我的回复是纯粹的JSON吗？action的值是否正确无误（大写、无空格）？parameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"""
    },
    {
        "role": "user",
        "content": [
            {"image": "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"},
            {"text": "帮我打开浏览器。"}]
}]

response = dashscope.MultiModalConversation.call(
    # 若没有配置环境变量， 请用百炼API Key将下行替换为： api_key = "sk-xxx"
    api_key = os.getenv('DASHSCOPE_API_KEY'),
    model = 'gui-plus',
    messages = messages,
    stream=True
)
for chunk in response:
    print(chunk)

import java.util.Arrays;
import java.util.Collections;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import io.reactivex.Flowable;

public class Main {

    public static void streamCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage systemMsg = MultiModalMessage.builder().role(Role.SYSTEM.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("text", "## 1. 核心角色 (Core Role)\\n你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。\\n## 2. [CRITICAL] JSON Schema & 绝对规则\\n你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。\\n- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。\\n- **[R2] 严格的Parameters结构**:`thought`对象的结构: \\\"在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。\\\"\\n- **[R3] 精确的Action值**: action 字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 \\\"CLICK\\\", \\\"TYPE\\\"），不允许有任何前导/后置空格或大小写变化。\\n- **[R4] 严格的Parameters结构**: parameters对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。\\n## 3. 工具集 (Available Actions)\\n### CLICK\\n- **功能**: 单击屏幕。\\n- **Parameters模板**:\\n{\\n\\\"x\\\": <integer>,\\n\\\"y\\\": <integer>,\\n\\\"description\\\": \\\"<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 \\\\\\\"Chrome浏览器图标\\\\\\\" 或 \\\\\\\"登录按钮\\\\\\\"。>\\\"\\n}\\n### TYPE\\n- **功能**: 输入文本。\\n- **Parameters模板**:\\n{\\n\\\"text\\\": \\\"<string>\\\",\\n\\\"needs_enter\\\": <boolean>\\n}\\n### SCROLL\\n- **功能**: 滚动窗口。\\n- **Parameters模板**:\\n{\\n\\\"direction\\\": \\\"<'up' or 'down'>\\\",\\n\\\"amount\\\": \\\"<'small', 'medium', or 'large'>\\\"\\n}\\n### KEY_PRESS\\n- **功能**: 按下功能键。\\n- **Parameters模板**:\\n{\\n\\\"key\\\": \\\"<string: e.g., 'enter', 'esc', 'alt+f4'>\\\"\\n}\\n### FINISH\\n- **功能**: 任务成功完成。\\n- **Parameters模板**:\\n{\\n\\\"message\\\": \\\"<string: 总结任务完成情况>\\\"\\n}\\n### FINISH\\n- **功能**: 任务无法完成。\\n- **Parameters模板**:\\n{\\n\\\"reason\\\": \\\"<string: 清晰解释失败原因>\\\"\\n}\\n## 4. 思维与决策框架\\n在生成每一步操作前，请严格遵循以下思考-验证流程：\\n目标分析: 用户的最终目标是什么？\\n屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。\\n行动决策: 基于目标和可见的元素，选择最合适的工具。\\n构建输出:\\na. 在thought字段中记录你的思考。\\nb. 选择一个action。\\nc. 精确复制该action的parameters模板，并填充值。\\n最终验证 (Self-Correction): 在输出前，最后检查一遍：\\n我的回复是纯粹的JSON吗？\\naction的值是否正确无误（大写、无空格）？\\nparameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"))).build();

        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(Collections.singletonMap("image", "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"),
                        Collections.singletonMap("text", "帮我打开浏览器。"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 若没有配置环境变量，请用百炼API Key将下行替换为：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("gui-plus")
                .messages(Arrays.asList(userMessage,systemMsg))
                .incrementalOutput(true)
                .build();
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(item -> {
            try {
                var content = item.getOutput().getChoices().get(0).getMessage().getContent();
                // 判断content是否存在且不为空
                if (content != null &&  !content.isEmpty()) {
                    System.out.println(content.get(0).get("text"));
                }
            } catch (Exception e) {
                System.out.println(e.getMessage());
            }
        });
    }

    public static void main(String[] args) {
        try {
            streamCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "gui-plus",
    "input":{
        "messages":[
            {
                "role": "system",
                "content": "## 1. 核心角色 (Core Role)\n你是一个顶级的AI视觉操作代理。你的任务是分析电脑屏幕截图，理解用户的指令，然后将任务分解为单一、精确的GUI原子操作。\n## 2. [CRITICAL] JSON Schema & 绝对规则\n你的输出**必须**是一个严格符合以下规则的JSON对象。**任何偏差都将导致失败**。\n- **[R1] 严格的JSON**: 你的回复**必须**是且**只能是**一个JSON对象。禁止在JSON代码块前后添加任何文本、注释或解释。\n- **[R2] 严格的Parameters结构**:`thought`对象的结构: \"在这里用一句话简要描述你的思考过程。例如：用户想打开浏览器，我看到了桌面上的Chrome浏览器图标，所以下一步是点击它。\"\n- **[R3] 精确的Action值**: action字段的值**必须**是`## 3. 工具集`中定义的一个大写字符串（例如 \"CLICK\", \"TYPE\"），不允许有任何前导/后置空格或大小写变化。\n- **[R4] 严格的Parameters结构**: parameters对象的结构**必须**与所选Action在`## 3. 工具集`中定义的模板**完全一致**。键名、值类型都必须精确匹配。\n## 3. 工具集 (Available Actions)\n### CLICK\n- **功能**: 单击屏幕。\n- **Parameters模板**:\n{\n\"x\": <integer>,\n\"y\": <integer>,\n\"description\": \"<string, optional:  (可选) 一个简短的字符串，描述你点击的是什么，例如 \\\"Chrome浏览器图标\\\" 或 \\\"登录按钮\\\"。>\"\n}\n### TYPE\n- **功能**: 输入文本。\n- **Parameters模板**:\n{\n\"text\": \"<string>\",\n\"needs_enter\": <boolean>\n}\n### SCROLL\n- **功能**: 滚动窗口。\n- **Parameters模板**:\n{\n\"direction\": \"<'up' or 'down'>\",\n\"amount\": \"<'small', 'medium', or 'large'>\"\n}\n### KEY_PRESS\n- **功能**: 按下功能键。\n- **Parameters模板**:\n{\n\"key\": \"<string: e.g., 'enter', 'esc', 'alt+f4'>\"\n}\n### FINISH\n- **功能**: 任务成功完成。\n- **Parameters模板**:\n{\n\"message\": \"<string: 总结任务完成情况>\"\n}\n### FAIL\n- **功能**: 任务无法完成。\n- **Parameters模板**:\n{\n\"reason\": \"<string: 清晰解释失败原因>\"\n}\n## 4. 思维与决策框架\n在生成每一步操作前，请严格遵循以下思考-验证流程：\n目标分析: 用户的最终目标是什么？\n屏幕观察 (Grounded Observation): 仔细分析截图。你的决策必须基于截图中存在的视觉证据。 如果你看不见某个元素，你就不能与它交互。\n行动决策: 基于目标和可见的元素，选择最合适的工具。\n构建输出:\na. 在thought字段中记录你的思考。\nb. 选择一个action。\nc. 精确复制该action的parameters模板，并填充值。\n最终验证 (Self-Correction): 在输出前，最后检查一遍：\n我的回复是纯粹的JSON吗？\naction的值是否正确无误（大写、无空格）？\nparameters的结构是否与模板100%一致？例如，对于CLICK，是否有独立的x和y键，并且它们的值都是整数？"
            },
            {
                "role": "user",
                "content": [
                    {"image": "https://img.alicdn.com/imgextra/i2/O1CN016iJ8ob1C3xP1s2M6z_!!6000000000026-2-tps-3008-1758.png"},
                    {"text": "帮我打开浏览器。"}
                ]
            }
        ]
    }
}'