开发方式

M9A 基于 MaaFramework v5.1+，采用 JSON + 自定义逻辑扩展 方式开发，通过 AgentServer 注册自定义模块。

Custom 模块类型

M9A 的 custom 模块分为三类：

1. Custom Action（自定义动作）

位置：agent/custom/action/

用途：实现复杂的游戏操作逻辑，如识别结果处理、多步骤操作、数据分析等。

基本结构：

from maa.agent.agent_server import AgentServer
from maa.custom_action import CustomAction
from maa.context import Context

@AgentServer.custom_action("YourActionName")
class YourAction(CustomAction):
    def run(
        self,
        context: Context,
        argv: CustomAction.RunArg,
    ) -> CustomAction.RunResult:
        # 读取传递的参数（可选）
        # param = json.loads(argv.custom_action_param)
        
        # 实现你的逻辑
        return CustomAction.RunResult(success=True)

以上动作在pipeline的调用方法如下。其中传递的参数可以是任意JSON object，它在上述部分中会被加载为dict类型。如果需要按照用户的输入来更改传入参数，则可以使用interface的pipeline_override操作（详情见interface v2 协议）。

{
    "YourNodeName":{
        "action":"Custom",
        "custom_action":"YourActionName",
        "custom_action_param": {
            // 传递参数（可选）
            // object
        }
        // ...
    },
    // 或者
    "YourNodeName":{
        "action": {
            "type": "Custom",
            "param": {
                "custom_action": "YourActionName",
                "custom_action_param": {
                    // 传递参数（可选）
                    // object
                }
            }
        },
        // ...
    },
    // ...
}

项目实例：

• DisableNode - 将特定节点设置为禁用状态
• NodeOverride - 在节点中动态覆盖 Pipeline 配置
• ResetCount - 重置计数器状态

2. Custom Recognition（自定义识别）

位置：agent/custom/reco/

用途：实现 Pipeline JSON 无法完成的复杂识别逻辑，如动态 OCR、颜色匹配、多步骤识别等。

基本结构：

from maa.agent.agent_server import AgentServer
from maa.custom_recognition import CustomRecognition
from maa.context import Context
from typing import Union, Optional
from maa.define import RectType

@AgentServer.custom_recognition("YourRecognitionName")
class YourRecognition(CustomRecognition):
    def analyze(
        self,
        context: Context,
        argv: CustomRecognition.AnalyzeArg,
    ) -> Union[CustomRecognition.AnalyzeResult, Optional[RectType]]:
        # 读取传递的参数（可选）
        # param = json.loads(argv.custom_recognition_param)

        # 实现识别逻辑
        return CustomRecognition.AnalyzeResult(box=[x, y, w, h], detail={})

以上识别过程在pipeline的调用方法如下。其中传递的参数可以是任意JSON object，它在上述部分中会被加载为dict类型。如果需要按照用户的输入来更改传入参数，则可以使用interface的pipeline_override操作（详情见interface v2 协议）。

{
    "YourNodeName":{
        "recognition": "Custom",
        "custom_recognition": "YourRecognitionName",
        "custom_recognition_param": {
            // 传递参数（可选）
            // object
        }
        // ...
    },
    // 或者
    "YourNodeName":{
        "recognition": {
            "type": "Custom",
            "param": {
                "custom_recognition": "YourRecognitionName",
                    "custom_recognition_param": {
                    // 传递参数（可选）
                    // object
                }
            }
        },
        // ...
    },
    // ...
}

项目实例：

• MultiRecognition - 多算法组合识别，支持 AND/OR/自定义逻辑
• CheckStopping - 检查任务是否即将停止

3. Sink（事件监听器）

位置：agent/custom/sink/

用途：监听 MaaFramework 的运行事件，实现任务前置检查、日志记录、性能监控等。

基本结构：

from maa.agent.agent_server import AgentServer
from maa.tasker import Tasker, TaskerEventSink
from maa.event_sink import NotificationType

@AgentServer.tasker_sink()
class MyTaskerSink(TaskerEventSink):
    def on_tasker_task(
        self,
        tasker: Tasker,
        noti_type: NotificationType,
        detail: TaskerEventSink.TaskerTaskDetail,
    ):
        # 在任务开始/成功/失败时执行逻辑
        if noti_type == NotificationType.Starting:
            # 任务开始前的检查
            pass

项目实例：

• AspectRatioChecker - 任务开始前检查模拟器分辨率是否为 16:9

常用 API

Context 常用方法

# 执行识别
reco_detail = context.run_recognition("NodeName", image)

# 执行任务
context.run_task("NodeName")

# 覆盖 Pipeline 配置
context.override_pipeline({"NodeName": {"next": ["NewNode"]}})

# 覆盖图片
context.override_image("image_name", image_array)

# 获取截图
img = context.tasker.controller.post_screencap().wait().get()

相关信息

MaaFramework 使用 OpenCV 处理图片，因此获取到的图片数据均为 numpy.ndarray 类型，且为 BGR 格式。 在与 MaaFramework 进行交互时无需另行处理，但如果需要保存图片，需先转换为 RGB 格式。

识别结果处理

from maa.define import OCRResult, TemplateMatchResult

if reco_detail and reco_detail.hit:
    # OCR 结果
    ocr_result = reco_detail.best_result
    text = ocr_result.text
    box = reco_detail.box  # [x, y, w, h]
    
    # 所有识别结果
    all_results = reco_detail.all_results

开发资源

• 集成接口文档：Integration Interface
• Python Binding 源码：maa/source/binding/Python
• 项目实例：直接查看 agent/custom/ 下的现有实现

学习建议

1. 先阅读项目中现有的 custom 实现，了解常用模式
2. 参考 MaaFramework 官方文档理解核心概念
3. 结合 Python Binding 源码深入理解 API 行为