每个场景都会列出其视觉输入、Screph 中的操作、存储的输出和当前限制。计算机视觉方法可选；处理代码和执行仍然是不同的阶段。
仅坐标对于场景来说是不够的：它需要对象标识、视觉特征、状态和验证数据。
Windows 屏幕或窗口、静止图像或录制的序列。
该项目存储元素、关系和注释。 OCR、配套等计算机视觉方式可选；提议的结果将单独审查。
Automation Runtime 的主项目、选定的 main.py 和单独的for_ai_agent Screph Code 或其他智能体工具的上下文。
边界： 标注图表不会自动执行。需要单独的场景、目标坐标上下文和配置的 Arduino 或 FakerInput 输入法。
OpenCV 笔记本本身无法链接感兴趣区域、参数、视觉输出和项目更改。
图像、屏幕截图或经过验证的视频和文件夹集。
感兴趣的区域与方法、线性序列或方法图相关联。将源数据与结果、掩模、轮廓、OCR 和指标进行比较。
方法参数、执行跟踪和单独的结果文件。对主项目元素和特征的更改仅在单独应用后才会存储。
边界： 模型支持的方法需要匹配的权重文件和运行时； Tesseract OCR 需要本地安装。
键盘和指针事件日志不包含用户与之交互的已审阅的视觉对象。
动作记录，包含动作之前、期间和之后的帧以及坐标变换。
LLM 提出方法计划，计算机视觉方法在本地运行，建议的结果与源帧进行比较并单独接受、编辑或拒绝。
审核决策、提议的目标、来源数据、提议的项目图更改和丰富的自动化上下文。
边界： 该过程是实验性的，需要人类审核。 LLM 不是事实来源；原始动作轨迹保持不变。
General 标注不包括缺陷、测量区域、感兴趣区域、更改和轨迹的域特定类型。
工业图像或感兴趣区域，或者具有可用时间和空间数据的 UAV 帧或系列。
创建所选模式的任务，执行配置的方法计划，将结果与源数据进行比较，并单独应用支持的元素或区域更改。
主标注和单独模式文件以供进一步调查。
边界： 流程不完整。 Screph 不是 MES/QMS、CNC/PLC 控制器、GIS、任务控制或自动驾驶仪。