可以考虑使用 accessibilityservice android 系统服务和 OCR,通过定位文本后拿到信息再点击。这样有 3 级定位 a11y->cor->ai,不侵入现有脚本也能省 token 并保准准确率。
建议结合元素定位,这玩意吃模型、模型不好非常慢、而且非 token。系统部署玩不转的
楼主应该从熊猫跳槽到字节去了,我同意你的说法