第 3 章 基础使用：第一个小时
学完本章，你将熟悉 GA 的界面、解锁视觉与文件搜索等扩展能力，并掌握多轮对话技巧。
🎯 学习目标
- 熟悉 GA 的交互界面，能自如地与 GA 对话
- 解锁 OCR、视觉、飞书 CLI、Everything CLI 四大扩展能力
- 掌握多轮对话与上下文管理的最佳实践
🔴 注意事项（请务必阅读）：
- 不要轻易让 GA 修改自己的源代码。 本章的配置过程中，GA 可能会申请修改自身代码。如果确实需要修改，请先让 GA 备份原文件，再进行改动。
- 任务完成后，务必提醒 GA 更新记忆。 特别是 L1 层索引——如果 L1 没有更新，新窗口中 GA 将不知道自己已经拥有这些能力。
3.1 界面介绍
双击 launch.pyw 启动 GA 后，我们会看到一个简洁的对话界面：
界面主要由以下几个区域组成：
❶ 模型选择区
左上角下拉菜单，用于切换当前使用的大语言模型（LLM）。如果我们在 mykey.py 中配置了多个模型，可以在这里自由切换。
❷ 轮次计数器
显示当前任务已经进行了多少轮对话。每一轮代表 GA 的一次"思考→工具调用→获得结果"的循环。
💡 关于轮次的更多细节
每一轮都可以展开查看详细过程。如果 GA 在一轮中调用了多个工具，我们可以展开查看每个工具的输入和输出。
❸ 对话显示区
GA 的回复和工具调用结果都会显示在这里。多轮任务会自动折叠成可展开的摘要，避免历史信息过长。
❹ 输入框
在这里输入指令或问题，用自然语言描述即可。支持多行输入（Shift+Enter 换行），按 Enter 发送。
❺ 发送按钮
点击输入框右侧的上箭头按钮，或直接按 Enter 键发送消息。
⚠️ 小提示：如果 GA 正在执行任务，会看到光标闪烁（▌），表示正在生成回复。如果离开超过 30 分钟且开启了"自主行动"，GA 会自动执行预设的自动化任务。
3.2 视觉能力
GA 由大语言模型驱动，本身不具备视觉能力。但通过配置 OCR 和视觉扩展，我们可以让 GA "看见"屏幕和图片。
3.2.1 OCR 能力
OCR（光学字符识别）能让 GA 阅读图片上的文字。配置非常简单，只需一句话：
用 rapidocr 配置你的 ocr 能力并存入记忆
配置完成后，GA 就能阅读任何图片上的文字了：
帮我看看
F:\data\to_be_ocred.png这张图片写了什么
更实用的是，配置了 OCR 之后，GA 可以了解我们的屏幕内容：
总结我当前屏幕上的内容
3.2.2 视觉能力（Vision）
OCR 只能识别文字。如果需要 GA 理解界面布局、识别图标和窗口，我们还需要解锁完整的视觉能力。
⚠️ 前置条件：视觉能力依赖 API 的多模态（image）接口。不同 API 提供商对多模态的支持情况不同，需要先确认你当前使用的 API 是否具备这一能力。向 GA 发送：
读取 mykey 中当前使用的 API 配置，写代码探测该 API 是否支持 image（多模态）接口GA 会根据
mykey.py中的 API 配置，自动编写探测代码并返回结果。
如果当前 API 支持多模态，直接跳到下一步。
如果当前 API 不支持多模态，也不用担心——GA 内置的 memory/vision_sop.md 中记录了如何通过 ModelScope 免费使用视觉大模型（如 Qwen3-VL）。
⚠️ 前置条件：先在浏览器中登录 ModelScope，注册账号并获取访问令牌（右上角头像 → 访问控制 → 访问令牌，复制
ms-开头的 token）。
准备好令牌后，向 GA 发送：
读取 memory/vision_sop.md 中 ModelScope 免费后端的集成流程，按照步骤帮我配置
GA 会引导你完成以下操作：
- 在 ModelScope 注册并获取免费的访问令牌（
ms-开头） - 将令牌写入
mykey.py - 自动集成 ModelScope 的免费视觉 API 作为后端
💡 ModelScope 提供免费的 API Inference 服务，无需本地显卡，开箱即用。
确认 API 支持多模态后（无论是原有 API 还是刚配置的 ModelScope），向 GA 发送：
根据 memory/vision_sop.py，利用刚才探测成功的 API 重写视觉调用代码，保证能实现相同的功能。重写完成后进行测试，测试通过后按照改写内容更新 memory/vision_sop.md，最后将视觉能力写入 L1 记忆
GA 会依次完成以下步骤：
- 读取现有的
vision_sop.py，用你的 API 重写视觉调用代码 - 自动测试重写后的代码，确保功能正常
- 测试通过后，同步更新
vision_sop.md文档 - 将视觉能力写入 L1 索引，确保后续会话都能记住这项能力
⚠️ GA 在此过程中可能会请求修改自身代码的授权。由于我们确实希望它获得视觉能力，回复授权即可。GA 给出的授权选项是它自己生成的，并非固定程序，我们可以复制选项发送，也可以用自然语言表达意图。
配置完成后，测试一下：
请看看我的屏幕上有哪些应用、窗口和重要组件
现在 GA 已经拥有完整的视觉能力，可以理解屏幕上的窗口和内容了。
3.3 飞书 CLI
通过飞书 CLI（lark-cli），GA 不仅能收发飞书消息，还能直接操作日历、云文档、多维表格、邮箱、任务、审批等 22 个飞书功能模块——相当于给 GA 装了一个飞书全能遥控器。
💡 飞书 CLI 和 第 5 章 介绍的飞书 Bot 是两件事：Bot 让你在飞书聊天窗口给 GA 发消息；CLI 让 GA 主动操作你的飞书数据（日历、文档、邮件等）。两者可以同时使用。
💡 飞书 CLI 能做什么
- 日历操作（查看日程、创建会议、查询忙闲）
- 文档操作（创建/读取/更新云文档、搜索文档）
- 多维表格（创建表格、增删改查记录、数据分析）
- 电子表格（读写 Excel、导出数据）
- 任务管理（创建任务、分配成员、设置提醒）
- 邮箱操作（发送邮件、搜索邮件、管理草稿）
- 会议纪要（查询会议记录、获取 AI 总结）
- 审批流程（查询审批、同意/拒绝审批）
- OKR 管理、知识库管理、考勤打卡查询等
安装飞书 CLI
向 GA 发送：
安装并配置飞书 CLI（lark-cli），使其可以通过 code_run 调用GA 会自动完成安装：
安装完成后，还需要配置 App 凭证和用户授权，GA 会一步步引导你完成。
配置 App 凭证与用户授权（点击展开完整流程）
配置 App 凭证
GA 会要求提供飞书应用的 App ID 和 App Secret（获取方式见 第 5 章 飞书接入指引）。
如果你已经在 mykey.py 中配置过飞书凭证，可以直接告诉 GA：直接读取我在 mykey.py 中配置的 App ID 和 App Secret。
否则按 GA 提示，选择安全输入方式：
提供 App ID + 手动输入 App Secret
向 GA 发送你的 App ID（请替换为你的实际值）：
app_id: 'cli_xxxxxx' 品牌:feishu
GA 会打开一个命令行窗口，将你的 App Secret 粘贴进去并回车：
 |  |
看到 OK 后，告诉 GA：已输入 Secret 并回车
 |  |
授权用户登录
App 凭证只能操作应用级功能。要让 GA 访问你的个人数据（日历、邮件、任务等），还需要完成用户授权：
弹出浏览器授权页面，我来给你授权
浏览器会弹出飞书授权页面，确认授权即可：
 |  |
授权完成后回到 GA，回复：已授权
效果验证
配置完成，试一下：
帮我看看明天的飞书日程
日程查看、文档整理、任务创建等操作都可以直接用自然语言告诉 GA，无需手动输入 CLI 命令。
3.4 Everything CLI（Windows 文件搜索）
Everything CLI 是 Windows 平台的极速文件搜索工具，能在毫秒级时间内搜索整个硬盘。配置后，GA 可以快速定位任何文件，无需遍历目录。
为什么需要它？
当我们让 GA 读取一个文件时，如果不提供完整路径，GA 可能无法定位。Everything CLI 为 GA 提供毫秒级全盘搜索能力，彻底解决这个问题。
💡 没有 Everything 时的表现
安装配置
向 GA 发送：
安装并配置 Everything 命令行工具进 PATH
⚠️ 安装过程中，系统可能弹出管理员权限请求窗口（有时藏在任务栏后台），请注意查看并授权。
💡 安装过程截图
安装完成后，GA 会确认配置成功：
💡 安装后的建议
- 如果电脑管家提示 Everything 想要开机自启，请允许（不会明显拖慢启动）
- 建议重启电脑以确保 Everything 服务生效
- 可以让 GA 把这个习惯写入记忆：「写入 L1，任何大规模文件查询直接使用 es」
效果验证
再次让 GA 查找文件，这次指定使用 es 搜索：
请读取 to_be_ocred.png 里面的文字，使用 es 全盘搜索这个文件
GA 仅用 1 轮就定位到了文件路径，效率显著提升。
什么是"最佳实践"
走到这里，你已经为 GA 解锁了视觉、飞书 CLI、Everything CLI 三项扩展能力。但这只是 GA 能力的冰山一角——我们不可能替你穷举所有场景，因为一千个人眼里有一千个哈姆雷特，每个人的任务、偏好和工作流都不一样。
所谓最佳实践，不是一套固定的操作手册，而是一个使用习惯：
- 把需求告诉 GA——用你自己的话描述，不需要措辞精确
- 执行过程中敢于打断——发现方向不对就喊停，给出你的思路和判断
- 成功后让 GA 沉淀记忆——好的经验只需教一次，GA 会永久记住
保持这个习惯，你的 GA 就会越用越懂你，越用越强。所以，现在就打开电脑试起来——你的实践，就是最佳实践。
3.5 多轮对话与上下文
GA 不是一次性工具，而是可以连续对话的助手。它会记住之前说过的话，理解上下文。
3.5.1 / 命令（快捷指令）
在对话框中，我们可以直接输入以 / 开头的快捷指令来控制 GA 的行为，无需用自然语言描述。以下是目前支持的全部 / 命令：
| 命令 | 作用 | 说明 |
|---|---|---|
/help | 显示帮助 | 列出所有可用的 / 命令 |
/status | 查看状态 | 显示 GA 当前是否正在运行，以及正在使用哪个 LLM |
/stop | 停止当前任务 | 立即中断正在执行的任务，GA 会停止所有工具调用 |
/new | 清空当前上下文 | 开始一个全新的对话，清除所有历史记录 |
/restore | 恢复上次对话 | 直接从日志文件恢复最近一次的对话历史（聊天平台使用） |
/resume | 恢复历史对话（可选择） | GA 浏览最近几次对话的结尾摘要，让你选择恢复哪一次（GUI 桌面窗口使用） |
/llm [n] | 查看或切换模型 | 不带参数：列出所有已配置的模型；带编号：切换到指定模型 |
💡 各平台对 / 命令的支持情况
/restore 和 /resume 都能恢复历史对话，但入口不同：
/restore在聊天平台前端（飞书、钉钉、QQ、Telegram、企业微信）中实现，直接从日志文件加载上次的对话记录/resume在 GUI 桌面窗口中实现，GA 会列出最近几次对话的摘要让你选择，然后以选中的对话为基础继续聊天
| 前端 | 支持的命令 |
|---|---|
| GUI 桌面窗口 | /resume、/llm（部分命令有对应按钮，如停止按钮 = /stop） |
| 飞书、钉钉、QQ、Telegram、企业微信 | /help、/status、/stop、/new、/restore、/llm |
| 微信 | /stop、/llm |
使用示例：
切换模型：如果当前模型响应太慢，可以快速切换
/llm ← 列出所有可用模型 /llm 2 ← 切换到 2 号模型恢复历史对话：重启 GA 后想继续之前的任务
/resume ← （GUI 桌面窗口）列出最近几次对话摘要，选择后恢复 /restore ← （聊天平台）直接恢复最近一次的对话历史紧急停止：GA 执行了不符合预期的操作
/stop ← 立即中断，GA 停止当前所有操作
⚠️ 注意：
/restore恢复的是最近一次的对话历史（保存在temp/model_responses/下的日志文件中）。恢复后 GA 只是获得了之前的上下文，我们需要输入新的问题来继续工作。
3.5.2 什么时候需要开新会话？
| 情况 | 说明 |
|---|---|
| 切换完全不同的任务 | 从数据分析切换到浏览器操作 → 建议 /new 或重启 |
| 对话太长导致"忘事" | 上下文窗口满了，GA 开始遗忘早期内容 →/new 开新会话 |
| 想要重新开始 | 之前尝试失败想换思路 →/new 清空后重来 |
💡 开新会话方法：输入
/new即可清空上下文，无需重启 GA。当然，关闭窗口重新启动也可以。
3.5.3 上下文管理技巧
- 明确指代：说"帮我处理刚才那个 Excel 文件"比"帮我处理一下"好得多
- 分步确认：复杂任务分成多步，每步确认后再继续
- 利用记忆：常用偏好可以让 GA 记住——"以后处理销售数据时，都用这个格式"，GA 会写入记忆系统，下次自动应用
- 善用
/restore：意外关闭 GA 后，用/restore恢复上下文，无缝继续
3.6 常见问题
Q1: GA 说"文件不存在"，但文件明明在？
可能原因：GA 错误识别了目录，或当前工作目录与我们的认知不一致。
解决方法：
- 使用绝对路径（包含盘符的完整路径）
- 右键文件 →「复制为路径」→ 粘贴到输入框
- 先告诉 GA 文件位置，再让它操作
Q2: 代码运行结果不对？
解决方法：直接告诉 GA「结果不对，我预期的是 XXX」。GA 会自己 debug 并修复。
示例：
- 👧：帮我统计每个月的销售额
- 🤖：[返回结果]
- 👧：不对，应该是按自然月统计，不是按 30 天
- 🤖：[重新计算，返回正确结果]
Q3: 对话太长，GA 开始"忘事"？
解决方法：
- 让 GA 把关键信息写入工作记忆：「请将 xxx 写入 working_checkpoint」
- 让 GA 把重要偏好写入长期记忆：「记住这个设置，以后都用」
- 开新会话后让 GA 读取历史：「我们上次聊了什么？」
Q4: GA 安装依赖失败？
解决方法：
- 检查网络连接，确保可以访问外网
- 如果有代理，确保代理设置正确
- 尝试手动安装：
pip install 包名 - 告诉 GA：「继续安装剩余的依赖」
Q5: 浏览器控制不生效？
解决方法：
- 重新执行：「执行 web setup sop 解锁 web 工具」
- 检查浏览器扩展管理页面，确认插件已启用
- 确保浏览器是最新版本
Q6: GA 响应很慢？
解决方法：
- 切换到更快的模型（如果配置了多个）
- 把复杂任务拆分成多个简单任务
- 检查网络连接质量
Q7: 如何让 GA 记住我的偏好？
明确告诉 GA「记住这个设置」或「以后都这样做」，GA 会把偏好写入记忆系统，下次自动应用。
示例：
- 👧：以后分析数据时，都用柱状图，不要用折线图
- 🤖：好的，我会记住这个偏好
📂 相关文件速查
| 内容 | 路径 |
|---|---|
| GA 启动入口 | launch.pyw |
| API 密钥配置 | mykey.py |
| GA 记忆存储目录 | memory/ |
📝 小结
- 界面简洁：GA 是自然语言交互助手，输入框打字即可使用
- 扩展能力：OCR → 视觉 → 飞书 CLI → Everything CLI，每个都是一句话配置，永久提升 GA 表现
- / 命令：
/stop/new/restore/resume/llm等快捷指令，高效控制 GA - 对话技巧：明确指代、分步确认、善用记忆，让 GA 越用越懂你