技术深度解析
BetterGI 并非简单的宏录制器，而是一个构建于多层架构之上的复杂 UI 自动化框架。其核心组件包括：
1. 图像识别管道：主要的输入机制是通过 Windows Graphics Capture API（为性能考虑）或 BitBlt 回退方案进行屏幕捕获。捕获的帧被送入基于 OpenCV 的检测引擎。系统使用模板匹配来识别静态 UI 元素（按钮、对话框），并使用轮廓检测来识别动态对象（掉落物、敌人血条）。对于钓鱼等复杂任务，一个轻量级的卷积神经网络（CNN）被训练用于识别鱼咬钩的模式以及收线的正确时机。该模型很可能是一个小型 YOLO 变体（如 YOLOv5-nano 或类似模型），并针对 CPU 推理进行了量化，因为该项目避免要求使用 GPU。
2. 动作执行层：一旦检测到状态，该工具会使用 `SendInput` API（Windows）模拟鼠标和键盘输入。这是一个关键的设计选择：`SendInput` 是一个低级 API，它绕过了 Windows 消息队列，使得反作弊系统相比 `mouse_event` 或 `PostMessage` 更难将其检测为合成输入。然而，对于像 HoYoverse 的 `mhyprot2`（或其后续版本）这样的内核级反作弊驱动程序来说，它并非不可见。
3. 状态机与任务编排：每个自动化功能（例如自动钓鱼）都被实现为一个有限状态机（FSM）。FSM 在诸如“等待咬钩”、“收线”、“捕获”和“重新开始”等状态之间转换。编排层使用优先级队列和互斥锁来管理并发任务（例如，自动拾取在后台运行，同时自动对话处于活动状态），以防止输入冲突。
4. 配置与脚本：用户可以通过 JSON 配置文件调整参数：检测阈值、动作延迟、感兴趣区域（ROI）坐标和按键绑定。高级用户可以使用项目的 API 编写自定义 Python 脚本，以创建新的自动化序列。
性能基准测试：项目的 GitHub Issues 和社区帖子提供了一些性能数据：
| 任务 | 手动平均时间 | BetterGI 平均时间 | 准确率 |
|---|---|---|---|
| 自动钓鱼（1 次） | 45-60 秒 | 25-35 秒 | 92-95% |
| 自动对话（10 段） | 5-7 分钟 | 2-3 分钟 | 99% |
| 自动刷秘境（1 次） | 2-3 分钟 | 1.5-2 分钟 | 85-90% |
| 自动伐木（100 木材） | 10-15 分钟 | 6-8 分钟 | 95% |
数据要点：BetterGI 在确定性任务（对话、伐木）上实现了显著的时间节省（减少 30-50%）和高准确率。然而，对于像刷秘境这样的动态任务，由于敌人 AI 行为不可预测，准确率会下降。85-90% 的成功率意味着大约每 10 次运行中就有 1 次可能失败，需要人工干预。
相关 GitHub 仓库：该项目自身的仓库（`babalae/better-genshin-impact`）是主要资源。对底层技术感兴趣的开发者还应探索：
- `opencv/opencv`：用于模板匹配和轮廓检测的计算机视觉库。
- `ultralytics/yolov5`：AI 钓鱼检测可能的基座模型。
- `microsoft/PowerToys`：虽然不直接相关，但该项目在 UI 自动化方面的思路与 PowerToys 的 'FancyZones' 和 'Keyboard Manager' 有概念上的相似之处。
关键参与者与案例研究
《原神》自动化工具领域格局分散。BetterGI 是最全面的开源选择，但它与多个其他项目和商业工具存在竞争：
| 工具 | 类型 | 关键特性 | GitHub Stars | 风险等级 |
|---|---|---|---|---|
| BetterGI | 开源 | 全自动化、AI 钓鱼、七圣召唤 | 13,814 | 高（违反 TOS） |
| Genshin Auto Clicker | 开源 | 简单自动点击器、跳过对话 | ~500 | 中 |
| Hoyo Buddy | Discord 机器人 | 每日签到、树脂追踪，无游戏内自动化 | ~2,000 | 低（无游戏客户端交互） |
| Genshin Impact FPS Unlocker | 开源 | 移除 FPS 上限、图形调整 | ~8,000 | 低-中（修改游戏内存） |
| 商业宏工具（如 Logitech G Hub） | 专有 | 用于 farming 路线的自定义宏 | 不适用 | 中（可被反作弊检测） |
数据要点：BetterGI 在功能广度和社区参与度（13.8k 星 vs. 次高的 8k 星）方面占据主导地位。然而，由于其直接与游戏交互带来的高风险，它成为一个两极分化的选择。更安全的替代方案（如 Hoyo Buddy）不提供游戏内自动化，这反映出市场对低风险自动化工具的需求缺口。
案例研究：钓鱼 AI
技术上最令人印象深刻的功能是 AI 驱动的钓鱼。传统的钓鱼宏之所以失败，是因为“咬钩”的时机是随机的，而且视觉提示（一个小水花）很微妙。BetterGI 的方法使用一个训练好的 CNN 来精确检测鱼咬钩的帧，然后自动收线。该模型是在开发者收集的大约 10,000 张带标签的屏幕截图数据集上训练的。