Midscene 是一个视觉模型驱动，支持全平台的 UI 自动化 SDK。ByteDance Web Infra 团队宣布 Midscene v1.0 版本已发布，全面转向视觉理解方案，提供更稳定可靠的 UI 自动化能力。

视觉模型有以下特点：

• 效果稳定 ：业界领先的视觉模型（如 Doubao Seed 1.6、Qwen3-VL 等）表现足够稳定，已经可以满足大多数业务需求

• UI 操作规划 ：视觉模型通常具备较强的 UI 操作规划能力，能够完成不少复杂的任务流程

• 适用于任意系统 ：自动化框架不再依赖 UI 渲染的技术栈。无论是 Android、iOS、桌面应用，还是浏览器中的 <canvas>，只要能获取截图，Midscene 即可完成交互操作

• 易于编写 ：抛弃各类 selector 和 DOM 之后，开发者与模型的“磨合”会变得更简单，不熟悉渲染技术的新人也能很快上手

• token 量显著下降 ：在去除 DOM 提取之后，视觉方案的 token 使用量可以减少 80%，成本更低，且本地运行速度也变得更快

• 有开源模型解决方案 ：开源模型表现渐佳，开发者开始有机会进行私有化部署模型，如 Qwen3-VL 提供的 8B、30B 等版本在不少项目中都有着不错的效果

除了默认的交互场景，Midscene 还定义了 Planning（规划）和 Insight（洞察）两种意图，开发者可以按需为它们启用独立的模型。例如，用 GPT 模型做规划，同时使用默认的 Doubao 模型做元素定位。

多模型组合让开发者可以按需提升复杂需求的处理能力。

针对 Midscene 的运行时表现，进行了以下优化：

• 减少对设备信息接口的调用，在确保安全的情况下复用部分上下文信息，提升运行时性能，让大多数的时间消耗集中在模型端

• 优化 Web 及移动端环境下的 Action Space 组合，向模型开放更合理、更清晰的工具集

回放报告是 Midscene 开发者非常依赖的一个特性，它能有效提升脚本的调试效率。v1.0 还更新了回放报告：

• 参数视图：标记出交互参数的位置信息，合并截图信息，快速识别模型的规划结果

• 样式调整：支持以深色模式展示报告，更美观

• Token 消耗的展示：支持按模型汇总 Token 消耗量，分析不同场景的成本情况

重新定义了 Midscene MCP 服务的定位。Midscene MCP 的职责是围绕着视觉驱动的 UI 操作展开，将 iOS / Android / Web 设备 Action Space 中的每个 Action 操作暴露为 MCP 工具，也就是提供各类“原子操作”。

通过这种形式，开发者可以更专注于构建自己的高阶 Agent，而无需关心底层 UI 操作的实现细节，并且时刻获得满意的成功率。

移动端能力增强

iOS 改进

• 新增 WebDriverAgent 5.x-7.x 全版本兼容

• 新增 WebDriver Clear API 支持，解决动态输入框问题

• 提升设备兼容性

Android 改进

• 新增截图轮询回退机制，提升远程设备稳定性

• 新增屏幕方向自动适配（displayId 截图）

• 新增 YAML 脚本 runAdbShell 支持

跨平台

• 在 Agent 实例上暴露系统操作接口，包括 Home、Back、RecentApp 等

API 变更

方法重命名（向后兼容）

• 改名 aiAction() → aiAct()（旧方法保留，有弃用警告）

• 改名 logScreenshot() → recordToReport()（旧方法保留，有弃用警告）

环境变量重命名（向后兼容）

• 改名 OPENAI_API_KEY → MODEL_API_KEY（新变量优先，旧变量作为备选）

• 改名 OPENAI_BASE_URL → MODEL_BASE_URL（新变量优先，旧变量作为备选）