maa-pipeline-generate

Generate MaaFramework Pipeline nodes and recognition snippets from screenshots or observed UI state. Use for OCR node generation, ROI sweep, choosing TemplateMatch/OCR/ColorMatch/CustomRecognition, preserving target-file schema style, and designing `next`/`[JumpBack]` links before merging generated nodes into pipeline JSON.

跳到安装

仓库: kqcoxn/MaaDuDuL
最近来源活动: 2026年8月21日 13:44
检测到的 SKILL.md 语言: 中文
星标: 47
分支: 2

安装方式

默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

直接命令不会经过审查 Prompt；运行前请先检查来源。

npx skills add https://github.com/kqcoxn/MaaDuDuL --skill maa-pipeline-generate

命令会保持在同一行。复制前请横向滚动并检查完整内容。

想先保存到本地？可下载 SkillsMP 当前能够提供的文件。

检查来源文件

决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。

文件资源管理器

4 个文件

SKILL.md

来源说明 · 只读预览

返回搜索返回安装

文件资源管理器

4 个文件

SKILL.md

来源说明 · 只读预览

name	maa-pipeline-generate
description	Generate MaaFramework Pipeline nodes and recognition snippets from screenshots or observed UI state. Use for OCR node generation, ROI sweep, choosing TemplateMatch/OCR/ColorMatch/CustomRecognition, preserving target-file schema style, and designing `next`/`[JumpBack]` links before merging generated nodes into pipeline JSON.

Maa Pipeline Generate

如果用户提出的是尚未定义起始状态、安全边界和验收条件的端到端自动化目标，先交给 $maa-workflow-build 建立任务契约与状态机；已有契约时，再用本 skill 生成其中的具体节点与识别参数。

项目初始化接力

生成节点前先在目标项目根目录查找 basic_info.md。存在且包含第 0 节时，读取“0. Maa Skills 接力协议”和第 3/4/5/7/8/9 节，用它快速定位目标文件、公共节点、返回路径、OCR 文本、模板目录与 ROI 基准。它是缓存，不替代当前目标文件和当前设备画面；生成前仍须核实目标文件语法风格，并重新 OCR/截图确认页面。文件缺失或没有第 0 节时按本 skill 直接发现项目结构；不得自动调用 $maa-project-init，只有用户明确要求初始化或刷新时才调用。若相关源码更新更晚，则把缓存视为可能过期并以当前源码为准，不自动刷新或覆盖。

概念

Pipeline 由 Node 组成。本 skill 针对OCR 文本识别节点，按 Pipeline 协议生成节点 JSON 并合并到目标 pipeline 文件。

核心流程：连接设备 → ocr() 拿 box → 扩大 ROI → 合并节点

自带脚本（位于本 skill 的 scripts/ 目录）：

脚本	用途
`scripts/generate_node.py`	单节点生成（默认 `expand=20`）
`scripts/generate_sweep.py`	多 expand 变体扫描，找最佳 ROI

MCP 工具绑定

依赖 maa-mcp MCP 服务。

工具	说明
`find_adb_device_list` / `connect_adb_device`	连接设备
`ocr`	截图 + OCR 一步完成（内部已调 screencap，外部不要再调）
`load_pipeline` / `save_pipeline`	读/写 pipeline JSON
`check_and_download_ocr`	首次需下载 OCR 模型
`run_pipeline`	测试 pipeline 节点

输入参数

参数	必填	默认	说明
`target_text`	✅	—	要识别的目标中文文字
`node_name`	✅	—	节点名（PascalCase）
`pipeline_file`	✅	—	目标 pipeline 路径（相对 `assets/resource/base/pipeline/xxx.json` 或绝对路径）
`action_type`	❌	`Click`	Click / DoNothing / LongPress / Swipe / ClickKey / InputText
`expand_offset`	❌	`20`	ROI 扩边像素（推荐先用 sweep 找最佳）
`post_delay`	❌	`500`
`timeout`	❌	`2000`
`overwrite`	❌	`False`	节点名冲突时是否覆盖

3 步工作流（伪代码）

# === Step 1: 连接设备 ===
from maa_mcp.adb import find_adb_device_list, connect_adb_device
controller_id = connect_adb_device(find_adb_device_list()[0])

# === Step 2: OCR 拿 box + 算 ROI ===
from maa_mcp.vision import ocr
from maa_mcp.download import check_and_download_ocr

ocr_results = ocr(controller_id)
if isinstance(ocr_results, str) and "OCR 模型文件不存在" in ocr_results:
    check_and_download_ocr()
    ocr_results = ocr(controller_id)

matched = [r for r in ocr_results if target_text in (r.text if hasattr(r, "text") else r["text"])]
best = max(matched, key=lambda r: r.score if hasattr(r, "score") else r["score"])
box = best.box if hasattr(best, "box") else best["box"]

# 扩大 ROI（720p 硬编码 + 4 边裁剪）
SCREEN_W, SCREEN_H = 720, 1280
x, y, w, h = box
E = expand_offset
roi = [
    max(0, x - E),
    max(0, y - E),
    min(SCREEN_W - max(0, x - E), w + 2 * E),
    min(SCREEN_H - (, y - E), h +  * E),
]


 maa_mcp.pipeline_tools  load_pipeline, save_pipeline
 pathlib  Path

PROJECT_ROOT = Path(__file__).resolve().parents[]
pipeline_path = Path(pipeline_file)
  pipeline_path.is_absolute():
    pipeline_path = PROJECT_ROOT /  /  /  /  / pipeline_file

existing = load_pipeline((pipeline_path))  {}
 node_name  existing   overwrite:
     RuntimeError()
existing[node_name] = {
    : ,
    : [target_text],
    : roi,
    : action_type,
    : post_delay,
    : timeout,
}
save_pipeline(
    pipeline_json=json.dumps(existing, ensure_ascii=, indent=),
    output_path=(pipeline_path),
    overwrite=,
)

ROI 扩大示意

原始 box:     ┌────┐
              │ 文字│
              └────┘
扩大后 roi:   ┌──────────┐
              │  ┌────┐  │
              │  │文字│  │
              │  └────┘  │
              └──────────┘

使用流程

先解析当前 skill 所在目录为 <skill-dir>，再从目标 Maa 项目根目录运行以下命令。不要假设 skill 安装在 .claude/skills 或某个固定盘符。

步骤 1: Sweep 找最佳 expand

# 生成多个 expand 变体的测试 pipeline
python "<skill-dir>/scripts/generate_sweep.py" "角色" "46,1248,50,30" 0,5,10,15,20,25,30

然后用 run_pipeline 逐个测试每个 Sweep_<text>_eN 节点，用目标项目自己的安全返回节点恢复页面（详见 maa-pipeline-testing）。记录成功的 expand 值（score ≥ 0.99 为佳）。

步骤 2: 正式生成节点

python "<skill-dir>/scripts/generate_node.py" "角色" UI_RoleListPage main_ui.json --expand 20 --overwrite

关键经验

历史审查后的生成策略

先判断节点类型，不要默认所有问题都是 OCR：稳定图标/按钮优先 TemplateMatch，颜色状态可用 ColorMatch，动态文本用 OCR，列表/复杂图像后处理用 CustomRecognition。
MaaGumballs 的历史文件多为平铺字段风格；M9A HEAD 多为 v5 object-form：action: { type, param }、recognition: { type, param }。生成时沿用目标文件的既有风格，不要在同一局部混用两套格式。
生成链路时先画父级 next 状态机：稳定页面、成功态、弹窗 [JumpBack]、加载 [JumpBack]、危险确认分支分开建节点。
对会消耗资源或改变账号状态的节点，默认生成 DoNothing 或单独验证节点；只有用户明确要执行时才生成直接点击确认。
如果需要 Python，先决定是 CustomAction 还是 CustomRecognition：动作/控制流用 CustomAction；识别后处理和动态 box 返回用 CustomRecognition。

ocr() 自动截图：MaaMCP 的 ocr() 工具会自行获取当前画面，调用前不要重复 screencap()；如果换了 MCP provider，先读该工具的参数说明确认截图语义。
ROI 不是越大越好：默认 expand=75 会失败（OCR 把"角色"拆成"电"+"色"）。多数节点 sweet spot 是 expand=20-30。
特殊节点需要小 ROI："城堡" expand≥20 全失败，只接受 0-15（上方有图标 M/3.9m/1077/👍 干扰）。
expected 必须匹配当前资源实际显示文本：在 MaaGumballs 中文资源里 ["角色"] 正确、["Role"] 找不到；跨语言项目要按目标资源/locale 写实际 OCR 文本或项目约定的 i18n 形式。
OCR 非确定性：同一 ROI 不同次结果可能不同，timeout: 2000 期间会重试。
OCR 失败不要立刻换 TemplateMatch：先看截图、扫 ROI、检查 expected 与颜色干扰；如果目标本质是稳定图标/按钮，TemplateMatch 本来就是正确选择，不必死守 OCR。
可滚动 UI 用大 ROI + 父级 orchestrator（重要）：
- 不要在 Click 节点的 next 里放 [JumpBack]CastleSwipeDown/Up —— 找不到文字时会死循环滑动！
- 正确模式参考 marry.json 里的 CastleHall 节点：父级 orchestrator 节点的 next 列表里放 [JumpBack]XXXEntry + [JumpBack]XXXSwipeDown + [JumpBack]XXXSwipeUp 等
- 滚动容错 ROI 范围参考 CastleHallEntry: [60, 391, 609, 795]
run_pipeline 必须有手动超时意识：超过 ~10 秒不返回要主动停止，可能 ROI/expected 配错或 OCR 引擎卡住。
改完 pipeline 文件后调 load_pipeline(path) 即可：不需要重启 server。run_pipeline 每次都按 pipeline_path 从磁盘读最新内容，reload 后立即生效。
可滚动 UI 用统一大 ROI：当多个目标在同一个可滚动列表（如城堡建筑列表）时，所有节点共用同一 ROI [x, top_y, w, full_h]，覆盖整个滚动区域。避免每个节点各自 ROI 滚动后失效。前提：每个节点的 expected 文字是唯一的（OCR 按 expected 匹配不会冲突）。
ROI 上边界 ≤ 元素最小 y：目标元素在 y=424 时，ROI y 起点必须 ≤ 424，否则切掉顶部导致 OCR 失败。例：原 ROI [100, 450, ...] 把"城堡管理"切掉 26px → 改为 [100, 400, ...] 通过。

已验证最优 expand（5 节点实测）

节点	expand	score	备注
`UI_RoleListPage`	20	0.9997	中部偏左
`UI_RoleFormationPage`	20	0.998	角色右边
`UI_CastlePage`	3	0.997	⚠️ 仅 0-15
`UI_TeamPage`	20	0.997	城堡右边
`ClickGoToArchipelago`	20	0.991	中间大地图按钮

用 `color_filter` 减少 OCR 干扰(实战技巧)

场景:ROI 里同时有目标文字 + 周边装饰(如"0/31"绿色能量条 vs "0/23"绿色节点数),OCR 可能误识别装饰色块。

方案:先建一个 ColorMatch 节点(限定像素颜色范围),然后在其他 OCR 节点上加 color_filter 字段引用它。

"AutoSky_GreenCheck": {
    "recognition": "ColorMatch",
    "roi": [558, 802, 157, 45],
    "method": 4,
    "lower": [22, 123, 57],      // RGB 下界(暗绿)
    "upper": [55, 215, 102],     // RGB 上界(亮绿)
    "action": "DoNothing",
    "post_delay": 200,
    "timeout": 2000
},

"AutoSky_CheckEnergyZero"

取色技巧(用截图工具):

目标区域:取目标装饰/边框色(非文字色,文字一般会变色)
RGB 范围要宽松一些(±20),覆盖光照变化
method=4 是 RGB(0=HSV)

实战案例:本项目(MaaGumballs)用这个方法区分"能量条 0/31"vs"节点数 0/23",两者都是绿色 OCR 文本,周围装饰色也不同。

已验证：可滚动 UI 统一 ROI（10 城堡建筑）

节点	统一 ROI	score	备注
`CastleManage`	`[100, 400, 520, 880]`	0.999	顶部
`Market`	同上	0.999	顶部
`Blacksmith`	同上	0.998	顶部
`AlchemyWorkshop`	同上	0.999	顶部
`TrainingCenter`	同上	1.000	顶部
`CastleMainHall`	同上	0.876	顶部只露 25px
`Shrine`	同上	0.999	中段
`Family`	同上	0.999	中段
`Museum`	同上	0.999	底部
`Manor`	同上	0.999	底部

关键设计：

所有节点 ROI 完全相同（[100, 400, 520, 880]，覆盖 y=400-1280）
不靠 expand 微调，靠 expected 文字差异让 OCR 区分
不放 next 链（避免死循环）

跨页面状态机流程（用 `next` + `[JumpBack]`）

当生成的活动流程需要跨多个页面跳转（如：大地图 → 活动入口 → 难度选择 → 队伍 → 战斗），用 MaaFramework 的 next + [JumpBack] 机制串接各页面节点，不要写 Python orchestration。

模式：状态机入口节点

{
    "MyActivity_Start": {
        "next": [
            "MyActivity_TeamReady",                      // 已在队伍配置页 → 点击"进入战斗"
            "[JumpBack]MyActivity_Difficulty_Select",     // 在难度选择页 → 选难度
            "[JumpBack]MyActivity_Enter"                 // 在大地图 → 找入口
        ],
        "timeout": 10000
    },

    "MyActivity_Enter": {
        "next": [
            "MyActivity_Enter_Click",                    // 找到图标 → 点击
            "[JumpBack]BigMap_Activity_Resident",         // 切"常驻"tab
            "[JumpBack]BigMap_Activity"                  // 打开活动页
        ],
        "timeout": 10000
    },

    "MyActivity_EnterBattle": {
        "recognition": "OCR",
        "expected"

关键设计要点

[JumpBack] 是状态回退的关键：命中后执行完节点链，自动返回父节点的 next 继续。
窄 ROI 区分同名字段：用 y 范围 [490, 740, 100, 80] vs [490, 590, 100, 80] 区分两个"确定"按钮行（y 范围不重叠）。
target_offset 偏移点击：识别难度文字后用 target_offset: [270, 0, 0, 0] 把点击位置右移到"确定"按钮上。
跨文件节点引用：MaaFramework 全局加载会合并所有 pipeline/*.json，所以 [JumpBack]BigMap_Activity（在 main_ui.json）能从 growth_trial.json 引用。但 run_pipeline 测试只加载单文件，集成测试需用 GUI/CLI。

与 Python orchestration 的本质区别

状态机（推荐）	Python orchestration（次选）
流程推进由 MaaFramework 调度	自己写 `for/if` 调度
每个节点 `next` 显式声明后继	Python 函数串行 `run_task`
`[JumpBack]` 自动状态回退	手动实现回退逻辑
跨页面异常有自然路径	需手动 try/except

详见 option 反模式和 maa-pipeline-guide 的「跨页面状态机」典型模式。

name	maa-pipeline-generate
description	Generate MaaFramework Pipeline nodes and recognition snippets from screenshots or observed UI state. Use for OCR node generation, ROI sweep, choosing TemplateMatch/OCR/ColorMatch/CustomRecognition, preserving target-file schema style, and designing `next`/`[JumpBack]` links before merging generated nodes into pipeline JSON.

Maa Pipeline Generate

项目初始化接力

概念

Pipeline 由 Node 组成。本 skill 针对OCR 文本识别节点，按 Pipeline 协议生成节点 JSON 并合并到目标 pipeline 文件。

核心流程：连接设备 → ocr() 拿 box → 扩大 ROI → 合并节点

自带脚本（位于本 skill 的 scripts/ 目录）：

脚本	用途
`scripts/generate_node.py`	单节点生成（默认 `expand=20`）
`scripts/generate_sweep.py`	多 expand 变体扫描，找最佳 ROI

MCP 工具绑定

依赖 maa-mcp MCP 服务。

工具	说明
`find_adb_device_list` / `connect_adb_device`	连接设备
`ocr`	截图 + OCR 一步完成（内部已调 screencap，外部不要再调）
`load_pipeline` / `save_pipeline`	读/写 pipeline JSON
`check_and_download_ocr`	首次需下载 OCR 模型
`run_pipeline`	测试 pipeline 节点

输入参数

参数	必填	默认	说明
`target_text`	✅	—	要识别的目标中文文字
`node_name`	✅	—	节点名（PascalCase）
`pipeline_file`	✅	—	目标 pipeline 路径（相对 `assets/resource/base/pipeline/xxx.json` 或绝对路径）
`action_type`	❌	`Click`	Click / DoNothing / LongPress / Swipe / ClickKey / InputText
`expand_offset`	❌	`20`	ROI 扩边像素（推荐先用 sweep 找最佳）
`post_delay`	❌	`500`
`timeout`	❌	`2000`
`overwrite`	❌	`False`	节点名冲突时是否覆盖

3 步工作流（伪代码）

# === Step 1: 连接设备 ===
from maa_mcp.adb import find_adb_device_list, connect_adb_device
controller_id = connect_adb_device(find_adb_device_list()[0])

# === Step 2: OCR 拿 box + 算 ROI ===
from maa_mcp.vision import ocr
from maa_mcp.download import check_and_download_ocr

ocr_results = ocr(controller_id)
if isinstance(ocr_results, str) and "OCR 模型文件不存在" in ocr_results:
    check_and_download_ocr()
    ocr_results = ocr(controller_id)

matched = [r for r in ocr_results if target_text in (r.text if hasattr(r, "text") else r["text"])]
best = max(matched, key=lambda r: r.score if hasattr(r, "score") else r["score"])
box = best.box if hasattr(best, "box") else best["box"]

# 扩大 ROI（720p 硬编码 + 4 边裁剪）
SCREEN_W, SCREEN_H = 720, 1280
x, y, w, h = box
E = expand_offset
roi = [
    max(0, x - E),
    max(0, y - E),
    min(SCREEN_W - max(0, x - E), w + 2 * E),
    min(SCREEN_H - (, y - E), h +  * E),
]


 maa_mcp.pipeline_tools  load_pipeline, save_pipeline
 pathlib  Path

PROJECT_ROOT = Path(__file__).resolve().parents[]
pipeline_path = Path(pipeline_file)
  pipeline_path.is_absolute():
    pipeline_path = PROJECT_ROOT /  /  /  /  / pipeline_file

existing = load_pipeline((pipeline_path))  {}
 node_name  existing   overwrite:
     RuntimeError()
existing[node_name] = {
    : ,
    : [target_text],
    : roi,
    : action_type,
    : post_delay,
    : timeout,
}
save_pipeline(
    pipeline_json=json.dumps(existing, ensure_ascii=, indent=),
    output_path=(pipeline_path),
    overwrite=,
)

ROI 扩大示意

原始 box:     ┌────┐
              │ 文字│
              └────┘
扩大后 roi:   ┌──────────┐
              │  ┌────┐  │
              │  │文字│  │
              │  └────┘  │
              └──────────┘

使用流程

先解析当前 skill 所在目录为 <skill-dir>，再从目标 Maa 项目根目录运行以下命令。不要假设 skill 安装在 .claude/skills 或某个固定盘符。

步骤 1: Sweep 找最佳 expand

# 生成多个 expand 变体的测试 pipeline
python "<skill-dir>/scripts/generate_sweep.py" "角色" "46,1248,50,30" 0,5,10,15,20,25,30

步骤 2: 正式生成节点

python "<skill-dir>/scripts/generate_node.py" "角色" UI_RoleListPage main_ui.json --expand 20 --overwrite

关键经验

历史审查后的生成策略

先判断节点类型，不要默认所有问题都是 OCR：稳定图标/按钮优先 TemplateMatch，颜色状态可用 ColorMatch，动态文本用 OCR，列表/复杂图像后处理用 CustomRecognition。
MaaGumballs 的历史文件多为平铺字段风格；M9A HEAD 多为 v5 object-form：action: { type, param }、recognition: { type, param }。生成时沿用目标文件的既有风格，不要在同一局部混用两套格式。
生成链路时先画父级 next 状态机：稳定页面、成功态、弹窗 [JumpBack]、加载 [JumpBack]、危险确认分支分开建节点。
对会消耗资源或改变账号状态的节点，默认生成 DoNothing 或单独验证节点；只有用户明确要执行时才生成直接点击确认。
如果需要 Python，先决定是 CustomAction 还是 CustomRecognition：动作/控制流用 CustomAction；识别后处理和动态 box 返回用 CustomRecognition。

ocr() 自动截图：MaaMCP 的 ocr() 工具会自行获取当前画面，调用前不要重复 screencap()；如果换了 MCP provider，先读该工具的参数说明确认截图语义。
ROI 不是越大越好：默认 expand=75 会失败（OCR 把"角色"拆成"电"+"色"）。多数节点 sweet spot 是 expand=20-30。
特殊节点需要小 ROI："城堡" expand≥20 全失败，只接受 0-15（上方有图标 M/3.9m/1077/👍 干扰）。
expected 必须匹配当前资源实际显示文本：在 MaaGumballs 中文资源里 ["角色"] 正确、["Role"] 找不到；跨语言项目要按目标资源/locale 写实际 OCR 文本或项目约定的 i18n 形式。
OCR 非确定性：同一 ROI 不同次结果可能不同，timeout: 2000 期间会重试。
OCR 失败不要立刻换 TemplateMatch：先看截图、扫 ROI、检查 expected 与颜色干扰；如果目标本质是稳定图标/按钮，TemplateMatch 本来就是正确选择，不必死守 OCR。
可滚动 UI 用大 ROI + 父级 orchestrator（重要）：
- 不要在 Click 节点的 next 里放 [JumpBack]CastleSwipeDown/Up —— 找不到文字时会死循环滑动！
- 正确模式参考 marry.json 里的 CastleHall 节点：父级 orchestrator 节点的 next 列表里放 [JumpBack]XXXEntry + [JumpBack]XXXSwipeDown + [JumpBack]XXXSwipeUp 等
- 滚动容错 ROI 范围参考 CastleHallEntry: [60, 391, 609, 795]
run_pipeline 必须有手动超时意识：超过 ~10 秒不返回要主动停止，可能 ROI/expected 配错或 OCR 引擎卡住。
改完 pipeline 文件后调 load_pipeline(path) 即可：不需要重启 server。run_pipeline 每次都按 pipeline_path 从磁盘读最新内容，reload 后立即生效。
可滚动 UI 用统一大 ROI：当多个目标在同一个可滚动列表（如城堡建筑列表）时，所有节点共用同一 ROI [x, top_y, w, full_h]，覆盖整个滚动区域。避免每个节点各自 ROI 滚动后失效。前提：每个节点的 expected 文字是唯一的（OCR 按 expected 匹配不会冲突）。
ROI 上边界 ≤ 元素最小 y：目标元素在 y=424 时，ROI y 起点必须 ≤ 424，否则切掉顶部导致 OCR 失败。例：原 ROI [100, 450, ...] 把"城堡管理"切掉 26px → 改为 [100, 400, ...] 通过。

已验证最优 expand（5 节点实测）

节点	expand	score	备注
`UI_RoleListPage`	20	0.9997	中部偏左
`UI_RoleFormationPage`	20	0.998	角色右边
`UI_CastlePage`	3	0.997	⚠️ 仅 0-15
`UI_TeamPage`	20	0.997	城堡右边
`ClickGoToArchipelago`	20	0.991	中间大地图按钮

用 `color_filter` 减少 OCR 干扰(实战技巧)

场景:ROI 里同时有目标文字 + 周边装饰(如"0/31"绿色能量条 vs "0/23"绿色节点数),OCR 可能误识别装饰色块。

方案:先建一个 ColorMatch 节点(限定像素颜色范围),然后在其他 OCR 节点上加 color_filter 字段引用它。

"AutoSky_GreenCheck": {
    "recognition": "ColorMatch",
    "roi": [558, 802, 157, 45],
    "method": 4,
    "lower": [22, 123, 57],      // RGB 下界(暗绿)
    "upper": [55, 215, 102],     // RGB 上界(亮绿)
    "action": "DoNothing",
    "post_delay": 200,
    "timeout": 2000
},

"AutoSky_CheckEnergyZero"

取色技巧(用截图工具):

目标区域:取目标装饰/边框色(非文字色,文字一般会变色)
RGB 范围要宽松一些(±20),覆盖光照变化
method=4 是 RGB(0=HSV)

实战案例:本项目(MaaGumballs)用这个方法区分"能量条 0/31"vs"节点数 0/23",两者都是绿色 OCR 文本,周围装饰色也不同。

已验证：可滚动 UI 统一 ROI（10 城堡建筑）

节点	统一 ROI	score	备注
`CastleManage`	`[100, 400, 520, 880]`	0.999	顶部
`Market`	同上	0.999	顶部
`Blacksmith`	同上	0.998	顶部
`AlchemyWorkshop`	同上	0.999	顶部
`TrainingCenter`	同上	1.000	顶部
`CastleMainHall`	同上	0.876	顶部只露 25px
`Shrine`	同上	0.999	中段
`Family`	同上	0.999	中段
`Museum`	同上	0.999	底部
`Manor`	同上	0.999	底部

关键设计：

所有节点 ROI 完全相同（[100, 400, 520, 880]，覆盖 y=400-1280）
不靠 expand 微调，靠 expected 文字差异让 OCR 区分
不放 next 链（避免死循环）

跨页面状态机流程（用 `next` + `[JumpBack]`）

模式：状态机入口节点

{
    "MyActivity_Start": {
        "next": [
            "MyActivity_TeamReady",                      // 已在队伍配置页 → 点击"进入战斗"
            "[JumpBack]MyActivity_Difficulty_Select",     // 在难度选择页 → 选难度
            "[JumpBack]MyActivity_Enter"                 // 在大地图 → 找入口
        ],
        "timeout": 10000
    },

    "MyActivity_Enter": {
        "next": [
            "MyActivity_Enter_Click",                    // 找到图标 → 点击
            "[JumpBack]BigMap_Activity_Resident",         // 切"常驻"tab
            "[JumpBack]BigMap_Activity"                  // 打开活动页
        ],
        "timeout": 10000
    },

    "MyActivity_EnterBattle": {
        "recognition": "OCR",
        "expected"

关键设计要点

[JumpBack] 是状态回退的关键：命中后执行完节点链，自动返回父节点的 next 继续。
窄 ROI 区分同名字段：用 y 范围 [490, 740, 100, 80] vs [490, 590, 100, 80] 区分两个"确定"按钮行（y 范围不重叠）。
target_offset 偏移点击：识别难度文字后用 target_offset: [270, 0, 0, 0] 把点击位置右移到"确定"按钮上。
跨文件节点引用：MaaFramework 全局加载会合并所有 pipeline/*.json，所以 [JumpBack]BigMap_Activity（在 main_ui.json）能从 growth_trial.json 引用。但 run_pipeline 测试只加载单文件，集成测试需用 GUI/CLI。

与 Python orchestration 的本质区别

状态机（推荐）	Python orchestration（次选）
流程推进由 MaaFramework 调度	自己写 `for/if` 调度
每个节点 `next` 显式声明后继	Python 函数串行 `run_task`
`[JumpBack]` 自动状态回退	手动实现回退逻辑
跨页面异常有自然路径	需手动 try/except

详见 option 反模式和 maa-pipeline-guide 的「跨页面状态机」典型模式。

maa-pipeline-generate

来源信息

安装方式

检查来源文件

同仓库更多 Skills

同仓库更多 Skills

Maa Pipeline Generate

项目初始化接力

概念

MCP 工具绑定

输入参数

3 步工作流（伪代码）

ROI 扩大示意

使用流程

步骤 1: Sweep 找最佳 expand

步骤 2: 正式生成节点

关键经验

历史审查后的生成策略

已验证最优 expand（5 节点实测）

用 color_filter 减少 OCR 干扰(实战技巧)

已验证：可滚动 UI 统一 ROI（10 城堡建筑）

跨页面状态机流程（用 next + [JumpBack]）

模式：状态机入口节点

关键设计要点

与 Python orchestration 的本质区别

Maa Pipeline Generate

项目初始化接力

概念

MCP 工具绑定

输入参数

3 步工作流（伪代码）

ROI 扩大示意

使用流程

步骤 1: Sweep 找最佳 expand

步骤 2: 正式生成节点

关键经验

历史审查后的生成策略

已验证最优 expand（5 节点实测）

用 color_filter 减少 OCR 干扰(实战技巧)

已验证：可滚动 UI 统一 ROI（10 城堡建筑）

跨页面状态机流程（用 next + [JumpBack]）

模式：状态机入口节点

关键设计要点

与 Python orchestration 的本质区别

用 `color_filter` 减少 OCR 干扰(实战技巧)

跨页面状态机流程（用 `next` + `[JumpBack]`）

用 `color_filter` 减少 OCR 干扰(实战技巧)

跨页面状态机流程（用 `next` + `[JumpBack]`）