企业官网建设流程全解析

在游戏里每天手动跑图采集资源，确实是一件重复性很高的苦差事。尤其是《无尽冬日》这类生存建造游戏，木材、铁矿、食物等资源点刷新时间固定，路线固定，操作模式也固定，但就是每天都要花十几分钟甚至更久去点。最近用清源AI平台把这套流程做成自动化采集应用，省下来的时间非常可观。这篇文章就结合我的开发过程，整理一份完整的“清源AI开发教程”，从需求拆分、环境准备到代码实现和排错思路，给大家讲清楚整个自动采集应用是怎么从零搭起来的。

如果你是第一次接触AI开发，或者之前只写过简单的Python脚本，这篇文章也完全能跟上。整体方案用到的核心能力是图像识别、坐标定位、定时调度和AI工作流编排，并不需要深度介入游戏内部数据。我还会在最后补充常见问题和工程建议，帮你减少上线后的翻车概率。

1. 自动采集需求与清源AI开发思路

1.1 为什么需要自动采集

《无尽冬日》的资源采集体系有几个特点，决定了它非常适合做自动化。

第一，资源点位置固定。地图上的木材堆、铁矿脉、食物仓库等采集点，刷新位置基本不变。即使有所偏移，也是在小范围内浮动。这就给图像识别和坐标定位提供了稳定的前提。

第二，采集操作高度重复。接近资源点、点击采集、等待读条、再点击丰收、然后切换下一个点，这一套流程每天要重复几十次。操作顺序和节奏基本一致，很适合写成固定任务流。

第三，采集时间有规律。资源点被采完后，通常会在一定时间后重新刷新。所以不只是“点击采集”这一个动作，还需要一套定时轮询机制，每隔一段时间去检查哪些点可采。

第四，人眼盯着屏幕容易疲劳。当你同时要处理游戏聊天、公会任务、活动页面时，很容易忘记去收菜。自动化脚本可以保持固定频率巡检，不会漏。

自动采集要解决的不是“能不能采”，而是“怎么稳定地采、怎么不重复采、怎么在异常情况下降级处理”。这几个问题，光靠简单的“每隔十分钟点一下”的脚本是解决不了的，需要结合图像识别和AI调度逻辑。

1.2 清源AI开发平台定位

清源AI是一个面向开发者的AI应用开发平台，核心思路是把大模型能力、工具调用能力和业务流程编排结合起来。你可以把它理解成一个“AI应用工厂”：

• 你定义这个应用要完成什么目标；
• 你给AI配置可调用的工具模块，比如图像识别、按键模拟、日志记录；
• AI根据你编写的规则或自动规划的工作流，完成对应的调度和异常处理；
• 应用可以复用、可以分享，也能作为后续其他自动化任务的底座。

在自动采集场景里，清源AI充当的是“大脑”的角色。传统写死逻辑的脚本是if-else套到底，遇到界面弹窗、资源点偏移、加载缓慢等情况，脚本很容易失效。而基于清源AI的工作流，可以让AI根据识别结果做出判断：当前画面是什么状态，应该执行点击还是等待，出现异常时是重试还是跳过。

这套思路不只适用于《无尽冬日》。清源AI的开发者生态里，还有大量类似的智能体开发教程，本质上都是“大模型 + 工具 + 业务规则”的组合。学会一个场景，就能迁移到日常签到、桌面整理、文件批量处理、网页信息抓取等方向。

1.3 自动采集的技术路径

自动采集的完整技术链路，可以拆成下面几个模块：

1. 图像采集模块：截取当前屏幕画面；
2. 图像识别模块：找到资源点图标所在坐标；
3. 操作执行模块：模拟鼠标移动和点击，完成采集交互；
4. 状态判断模块：判断采集是否成功、是否出现弹窗、是否资源未刷新；
5. 调度模块：按设定时间或轮询频率执行任务；
6. AI编排模块：把上述模块串联起来，在异常时动态调整策略。

模块之间的关系可以用一个简单的流程描述：

屏幕截图 -> 图像识别 -> 是否找到目标 -> 是：执行点击 -> 等待结果 -> 记录日志 -> 否：判断是否超时 -> 跳过或重试

这里不再展开画图，实际编码时我们会把每一步封装成独立函数，再交给AI工作流去调用。

有一点需要提前声明：自动采集方案仅用于个人学习和研究，使用前请确认不违反你所在服务器的游戏规则。不要在公共环境中影响其他玩家的正常体验，也不要使用任何破解、修改客户端数据的非法手段。我们做的只是“屏幕识别 + 模拟点击”层面的自动化。

2. 环境准备与开发基础

2.1 软硬件环境

在开始写代码之前，先把开发和运行环境讲清楚。本文示例以 Windows 系统为例，这是大多数游戏玩家的主力环境，也是模拟鼠标键盘操作最方便的平台。

开发语言选择 Python，版本推荐用 3.9 或更高版本。Python 在图像处理和自动化操作方面都有比较成熟的第三方库，生态完善，很适合快速实现。

涉及的主要依赖库如下：

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。如果你用的是 Python 3.12 或更高版本，个别库可能需要升级到最新版，安装时注意看提示。

IDE 推荐 PyCharm 或者 Visual Studio Code。VS Code 加 Python 插件就够用了，轻量，启动速度快。

2.2 创建清源AI智能体或自动化项目

登录清源AI平台后，首先在开发者中心创建一个新应用。创建时可以选择应用类型，自动采集场景建议选择“智能体应用”或“自动化工作流应用”，具体名称以平台当前版本为准。

创建之后，你会得到一个应用ID和API Key。这两个信息后面在代码里调用AI服务时需要用到，注意保存到本地配置文件，不要提交到公开代码仓库。

清源AI的开发者招募目前也在进行中，如果你对这个方向感兴趣，可以在文章评论区填写问卷报名。参与开发者计划可以获得更多平台调用额度，也能和做智能体开发的同学一起交流踩坑经验。

2.3 项目结构规划

一个好的项目结构，能在后期维护时省下大量时间。我建议按功能模块拆分，不要把代码全部堆在一个文件里。

下面是一个推荐的目录结构：

auto_collector/ ├── main.py # 程序入口 ├── config.py # 配置文件 ├── requirements.txt # 依赖清单 ├── modules/ │ ├── __init__.py │ ├── screen.py # 屏幕截图模块 │ ├── vision.py # 图像识别模块 │ ├── operator.py # 鼠标操作模块 │ ├── scheduler.py # 定时调度模块 │ └── ai_service.py # 清源AI服务对接模块 ├── assets/ │ ├── wood.png # 木材资源点模板图 │ ├── iron.png # 铁矿资源点模板图 │ └── food.png # 食物资源点模板图 └── logs/ └── collector.log # 运行日志

在真正开始写代码前，建议先把资源点模板图准备好。打开游戏，截取一张清晰的资源点图标，然后用截图工具裁剪成小图，保存到 assets 目录。模板图越小越好，只要包含资源点的核心特征即可。过大反而会影响匹配速度和准确率。

3. 核心原理拆解：自动采集的关键模块

3.1 屏幕识别与目标定位

自动采集的核心难点，是程序怎么知道屏幕上哪个位置有资源点。

常用的做法是模板匹配。简单来说，我们把提前裁剪好的小图（模板图）放到完整截图里去滑动比对，找到相似度最高的位置，就认为那里是目标资源点。

OpenCV 提供的matchTemplate方法就是干这个事的。下面是最小示例：

import cv2 import numpy as np # 读取完整截图和模板图 screen = cv2.imread("screen.png") template = cv2.imread("assets/wood.png") # 模板匹配 result = cv2.matchTemplate(screen, template, cv2.TM_CCOEFF_NORMED) # 获取相似度最高的位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) # 模板图的左上角坐标即 max_loc top_left = max_loc h, w = template.shape[:2] center_x = top_left[0] + w // 2 center_y = top_left[1] + h // 2 print(f"相似度: {max_val:.2f}, 中心点坐标: ({center_x}, {center_y})")

这里有几个参数需要解释：

• cv2.TM_CCOEFF_NORMED是归一化相关系数匹配法，结果越接近1，说明相似度越高；
• minMaxLoc返回结果矩阵中的最大值和最小值位置；
• 模板图大小直接决定匹配结果，模板越小越容易误匹配，模板越大匹配速度越慢。

实际开发中，我们不能只看最大相似度，还要设一个阈值。比如只有相似度大于0.8时才认为找到了目标，否则就判定为“当前画面没有该资源点”。

3.2 任务调度与状态管理

自动采集不能只执行一次，而是要长期、定时、反复运行。这里引入定时调度组件。

APScheduler 是 Python 里很成熟的调度库。我们可以用它实现两种触发方式：

• 固定间隔触发：每隔 N 分钟执行一次巡检；
• 固定时间触发：每天在指定时间点执行采集。

推荐使用间隔触发。因为资源刷新时间可能因为服务器活动、在线人数等原因浮动，固定时间去采容易漏掉刚刷新的资源。间隔巡检反而更灵活。

状态管理是整个系统的重点。建议用一个状态字典保存当前每个资源点的状态：

resource_status = { "wood": {"last_collect_time": None, "status": "unknown", "fail_count": 0}, "iron": {"last_collect_time": None, "status": "unknown", "fail_count": 0}, "food": {"last_collect_time": None, "status": "unknown", "fail_count": 0}, }

每个资源点记录上次采集时间、当前状态、连续失败次数。连续失败次数非常重要，如果达到一定数值（比如3次），就要暂停该点采集，避免一直重复无效操作。

3.3 AI工作流编排

清源AI在这个场景中的作用，是把上面这些模块按业务逻辑编排起来。传统脚本的流程是固定的，但游戏运行过程中会出现各种意外情况：

• 突然弹出活动弹窗；
• 网络波动导致画面卡住；
• 资源点还没有刷新；
• 角色被其他玩家攻击。

这些情况如果都靠写死逻辑去处理，代码会非常庞大。而通过AI工作流，我们可以在每次截屏后让AI判断当前画面属于什么状态，再决定下一步动作。

简单的理解为：AI拿到图像识别模块的输入，结合我们提供的业务规则，输出一个“操作意图”，然后由操作模块去执行。

4. 完整实战：无尽冬日自动采集助手

这一节我们从零开始，逐步写出完整的自动采集程序。为了让代码能直接跑起来，我会把关键文件的完整内容都贴出来。

4.1 创建项目结构与配置文件

首先创建项目目录，并安装依赖。在终端中执行：

mkdir auto_collector cd auto_collector pip install opencv-python pyautogui pillow numpy apscheduler requests loguru

因为依赖库比较多，推荐把它们记录到 requirements.txt：

opencv-python>=4.8.0 pyautogui>=0.9.54 pillow>=10.0.0 numpy>=1.24.0 apscheduler>=3.10.0 requests>=2.31.0 loguru>=0.7.0

接下来编写 config.py，把游戏相关配置和清源AI平台配置集中管理：

# 文件路径：auto_collector/config.py # 图像识别相关配置 TEMPLATE_DIR = "assets" MATCH_THRESHOLD = 0.8 # 相似度阈值，低于该值视为未找到目标 SCAN_INTERVAL = 60 # 巡检间隔，单位秒 # 清源AI平台配置 AI_APP_ID = "your_app_id" AI_API_KEY = "your_api_key" AI_API_URL = "https://your-ai-endpoint.example.com/api/workflow" # 资源点配置 RESOURCE_POINTS = { "wood": { "template": "assets/wood.png", "interval": 300, # 预计刷新间隔，单位秒 }, "iron": { "template": "assets/iron.png", "interval": 600, }, "food": { "template": "assets/food.png", "interval": 240, }, } # 日志文件 LOG_FILE = "logs/collector.log"

这里需要注意：AI_APP_ID和AI_API_KEY需要换成你在清源AI开发者中心创建应用后拿到的真实值。示例中的 URL 只是一个占位说明，实际地址以平台文档为准。

4.2 编写屏幕截图模块

屏幕截图是整个流程的起点。pyautogui 提供了截图功能，但为了统一处理，我们封装一个 screen.py 模块：

# 文件路径：auto_collector/modules/screen.py import pyautogui import numpy as np import cv2 def capture_screen(): """ 截取当前主屏幕 :return: 返回 BGR 格式的 OpenCV 图像 """ # pyautogui.screenshot 返回 PIL Image pil_image = pyautogui.screenshot() # 转换为 OpenCV 使用的 BGR 格式 frame = cv2.cvtColor(np.array(pil_image), cv2.COLOR_RGB2BGR) return frame

代码解释：pyautogui.screenshot() 截取的是全屏画面，我们在多显示器环境下默认截取主屏。如果需要指定区域截图，可以传 region 参数，例如pyautogui.screenshot(region=(0, 0, 1920, 1080))。

4.3 编写图像识别模块

图像识别模块负责在整张截图中寻找资源点模板图。这里需要处理两种结果：找到和没找到。同时要返回中心点坐标和相似度。

# 文件路径：auto_collector/modules/vision.py import cv2 from modules.screen import capture_screen def find_template(template_path, threshold=0.8): """ 在当前屏幕中查找模板图 :param template_path: 模板图路径 :param threshold: 相似度阈值 :return: (是否找到, 中心点x, 中心点y, 相似度) """ screen = capture_screen() template = cv2.imread(template_path) if template is None: return False, 0, 0, 0.0 # 模板匹配 result = cv2.matchTemplate(screen, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) if max_val < threshold: return False, 0, 0, float(max_val) h, w = template.shape[:2] center_x = max_loc[0] + w // 2 center_y = max_loc[1] + h // 2 return True, center_x, center_y, float(max_val)

这段代码的逻辑很清楚：先截图，再加载模板，然后匹配，最后根据阈值决定是否认定找到目标。如果你发现阈值设为0.8时识别不到资源点，可以适当降低到0.7测试；但阈值太低会导致误点，需要自己权衡。

4.4 编写鼠标操作模块

找到资源点坐标后，需要把鼠标移过去并点击。这里封装 operator.py：

# 文件路径：auto_collector/modules/operator.py import time import pyautogui # 每次点击后稍微暂停，避免操作过快被游戏判定为异常 CLICK_PAUSE = 0.5 def move_and_click(x, y, double=False): """ 移动鼠标到指定坐标并点击 :param x: 目标点x坐标 :param y: 目标点y坐标 :param double: 是否双击 """ pyautogui.moveTo(x, y, duration=0.3) time.sleep(CLICK_PAUSE) pyautogui.click() if double: time.sleep(CLICK_PAUSE) pyautogui.click() time.sleep(CLICK_PAUSE) def press_key(key): """ 按键操作，比如按 ESC 关闭弹窗 """ pyautogui.press(key) time.sleep(CLICK_PAUSE)

这里的关键设计是每步操作之间都加入了 sleep 延迟。原因很简单：游戏客户端对“瞬间完成大量操作”的行为很敏感，过快的点击容易被误判为外挂。加入适当的延迟，模拟人工操作节奏，反而更稳定。

4.5 编写清源AI服务对接模块

下面到了清源AI平台接入的环节。这个模块的目标是：把当前采集状态发送给AI，由AI返回下一步操作建议。

# 文件路径：auto_collector/modules/ai_service.py import requests from config import AI_APP_ID, AI_API_KEY, AI_API_URL def ask_ai_decision(context): """ 向清源AI发送当前状态，获取操作决策 :param context: 包含当前画面状态、各资源点状态等信息的字典 :return: AI返回的决策结果 """ headers = { "Content-Type": "application/json", "X-App-Id": AI_APP_ID, "X-Api-Key": AI_API_KEY, } payload = { "scene": "auto_collect", "context": context, } try: response = requests.post(AI_API_URL, json=payload, headers=headers, timeout=10) response.raise_for_status() data = response.json() return data.get("decision", "noop") except requests.RequestException as e: print(f"调用清源AI服务失败: {e}") return "noop"

提示：ask_ai_decision返回的字符串，比如"collect_wood"、"collect_iron"、"skip"、"handle_popup"等，只是示例。实际返回结构需要根据你在清源AI平台上配置的工作流输出为准。

如果你刚开始接入，也可以先不依赖AI服务，直接用规则判断。等基础流程跑通后再接入AI，这样排查问题更容易。

4.6 编写主控逻辑

最后写 main.py，把上面的模块串起来。主控逻辑采用“截屏 -> 识别 -> 决策 -> 执行 -> 等待”的循环。

# 文件路径：auto_collector/main.py import time from loguru import logger from config import RESOURCE_POINTS, SCAN_INTERVAL, MATCH_THRESHOLD from modules.vision import find_template from modules.operator import move_and_click, press_key from modules.ai_service import ask_ai_decision # 配置日志 logger.add("logs/collector.log", rotation="10 MB", retention="7 days") def collect_all(): """ 执行一轮全量巡检 """ logger.info("开始新一轮资源巡检") # 保存当前轮次的资源点状态，用于AI决策 context = {} for name, point in RESOURCE_POINTS.items(): found, x, y, score = find_template(point["template"], threshold=MATCH_THRESHOLD) context[name] = { "found": found, "x": x, "y": y, "similarity": round(score, 3), } if found: logger.info(f"发现资源点 {name}，坐标 ({x}, {y})，相似度 {score:.2f}") move_and_click(x, y) # 等待采集动作完成，这里预留足够时间 time.sleep(3) # 点击丰收按钮，位置需要根据游戏实际界面调整 # 这里仅作示例，实际坐标需要自行校准 harvest_btn_x = 960 harvest_btn_y = 700 move_and_click(harvest_btn_x, harvest_btn_y) else: logger.info(f"未发现资源点 {name}，本轮跳过") # 将当前状态提交给清源AI做额外判断 decision = ask_ai_decision(context) logger.info(f"清源AI决策: {decision}") if decision == "handle_popup": logger.info("检测到可能有弹窗，按 ESC 关闭") press_key("esc") logger.info("本轮巡检结束") def main_loop(): """ 主循环：按固定间隔执行巡检 """ logger.info("自动采集程序启动") while True: try: collect_all() except Exception as e: logger.error(f"巡检过程出现异常: {e}") time.sleep(SCAN_INTERVAL) if __name__ == "__main__": main_loop()

这里有两个地方需要你按自己的游戏实际界面校准：

1. “丰收按钮”的坐标(960, 700)只是示例值；
2. 采集点击后的等待时间3秒也需要调整。

建议先打开游戏，手动把画面停在丰收按钮上方，用一个小脚本打印当前鼠标坐标，记录下来再填入。

4.7 运行与验证

代码写完以后，先不要直接跑长时间循环。我建议先做一个“单轮验证”：

python -c "from main import collect_all; collect_all()"

这样只会执行一次巡检，不会进入死循环。观察日志输出，确认资源点识别坐标是否正确、点击后游戏是否有正确反应。

确认单轮没问题后，再启动完整程序：

python main.py

预期输出类似：

2025-01-12 10:00:01.123 | INFO | 自动采集程序启动 2025-01-12 10:00:02.456 | INFO | 开始新一轮资源巡检 2025-01-12 10:00:03.890 | INFO | 发现资源点 wood，坐标 (800, 450)，相似度 0.91 ...

如果连续几轮都能稳定识别和采集，说明基础流程已经跑通。

5. 常见问题与排查思路

开发过程中最容易遇到下面几类问题，我把现象、原因和解决思路整理成表格，方便你按图索骥。

排查时可以遵循一个顺序：先确认截图正常，再确认模板匹配有效，最后确认点击生效。把流程拆开验证，能快速定位问题出现在哪一环。

另外提醒一下，不同显示器的分辨率和缩放比例不同，直接复制代码很难保证坐标完全一致。建议在每台机器上都做一次坐标校准，这是自动化操作项目中比较常见但容易被忽视的一步。

6. 最佳实践与工程建议

6.1 安全与合规边界

自动采集类工具一定要明确使用边界。正规的游戏客户端通常会对模拟点击类操作有一定限制，过于频繁的操作可能触发反作弊机制。个人学习研究可以，但不要用于影响游戏平衡或破坏其他玩家体验的场景。

建议措施：

• 设置合理的操作间隔，不要 7x24 小时高强度运行；
• 不要同时开多个客户端批量操作；
• 控制单次运行时长，比如每运行 30 分钟暂停 10 分钟；
• 定期人工检查账号状态。

6.2 配置与密钥管理

AI_APP_ID 和 AI_API_KEY 这类敏感信息，千万别硬编码在代码里，更不要传到 GitHub 公开仓库。推荐做法：

• 使用环境变量或本地不被人知的文件保存；
• 为自动采集项目单独申请一个低权限的 API Key；
• 如果怀疑密钥泄露，立刻在清源AI开发者中心重置。

6.3 日志和可观测性

自动化程序最怕“悄悄死掉”。所以日志系统一定要完善。

建议记录以下内容：

• 每一轮巡检的启动时间和结束时间；
• 每个资源点的识别坐标和相似度；
• 每次点击操作的坐标和目标；
• AI决策的原始返回；
• 异常堆栈信息。

这样即使第二天发现程序没有正常工作，也能通过日志回溯是哪一轮开始出问题的。

6.4 状态持久化

程序重启后，如果不知道上次采集时间，可能会造成重复采集或漏采。建议把资源点状态保存到本地 JSON 文件，比如 status.json，每次巡检后更新一次。

import json STATUS_FILE = "logs/status.json" def save_status(status_data): with open(STATUS_FILE, "w", encoding="utf-8") as f: json.dump(status_data, f, ensure_ascii=False, indent=2)

状态持久化还有一个好处：如果程序崩溃重启，可以根据上次状态决定是否立即巡检，而不是傻等一个完整的间隔周期。

6.5 引入 AI 决策时的降级策略

AI 服务是外部依赖，会存在网络波动或服务不可用的情况。在引入 AI 决策后，一定要设计降级方案。

推荐策略：

• AI 调用失败时，返回默认决策 noop；
• 默认决策下，按照本地规则继续执行基础巡检；
• 连续多次 AI 调用失败时，主动降低巡检频率，避免无意义的请求压力；
• 把 AI 决策结果写入日志，便于后续优化工作流。

6.6 代码维护与扩展

自动采集方案稳定运行后，你会想把它扩展成更多功能，比如自动收取邮件、自动建筑升级、自动查看活动页面。这时候模块化设计的优势就体现出来了。

以目前的结构为例，新增一个“自动邮件收取”功能，只需要：

• 新增一个窗口截图模板；
• 在巡检流程里加一个识别和点击步骤；
• 把新场景加入 AI 决策 context。

不需要改动图像识别、操作执行这些底层模块。这也是我为什么推荐一开始就做好模块划分的原因。

7. 清源AI开发者招募与下一步学习方向

如果你跟着前面的步骤把自动采集跑通，那么恭喜你，你其实已经掌握了“AI 开发”在自动化场景下的核心框架：感知环境、理解状态、决策动作、执行反馈。这套框架可以迁移到很多地方，不只是《无尽冬日》。

清源AI 目前正在推进开发者生态建设，也在持续招募对 AI 应用开发感兴趣的开发者。如果你希望获得更多平台资源、参与更多有趣的应用方向，可以通过本文评论区的问卷报名。清源AI 开发者计划会提供更丰富的 API 能力、应用托管支持，以及和其他开发者交流的渠道。

关于下一步学习方向，建议按这条路线走：

1. 先把现有自动采集脚本优化稳定，熟悉图像识别的各种参数调整；
2. 深入学习清源AI 平台的工作流配置，把更多业务逻辑从硬编码迁移到 AI 编排；
3. 学习更多 Python 自动化技能，比如 UI 自动化测试框架、OCR 文字识别；
4. 尝试开发一个全新的 AI 应用，比如定时邮件助手、桌面文件整理器；
5. 参与开发者社区，多看别人的智能体开发教程，学习不同场景下的工具组合方式。

自动采集只是 AI 开发的一个入门场景，但它已经把“感知-决策-执行”的闭环完整走了一遍。后面无论是做更复杂的智能体，还是做企业级的自动化流程，本质上都是这套思路在放大。

如果在开发过程中遇到问题，欢迎对照文章里的排查表格逐项检查。也欢迎在评论区分享你的配置经验或踩坑记录，一起把清源AI 的自动采集方案做得更完善。