MAI-UI-8B实战教程：基于Python爬虫的GUI自动化数据处理

你是不是也遇到过这种情况：辛辛苦苦写了个爬虫，抓了一大堆数据回来，结果发现数据乱七八糟的，格式不统一，还有一堆重复和错误的信息。然后就得手动打开Excel或者写一堆清洗脚本，一个字段一个字段地处理，眼睛都快看花了。

更头疼的是，有时候数据还要从网页上手动复制粘贴，或者需要登录、点击按钮才能获取，整个过程又慢又容易出错。要是能让电脑自己把这些脏活累活都干了，那该多好。

今天我就带你用MAI-UI-8B这个GUI智能体模型，把Python爬虫和数据处理这两个环节打通，实现真正的自动化。你不用再写复杂的界面操作代码，也不用担心网页结构变了脚本就失效，MAI-UI能像人一样“看”着屏幕，帮你完成那些需要人工干预的操作。

1. 为什么需要GUI自动化处理爬虫数据？

我们先来看看传统爬虫数据处理流程的痛点。

你写了个爬虫去抓取商品信息，代码跑起来挺顺利，数据也存到CSV文件里了。但打开文件一看，问题就来了：价格有的带“¥”符号，有的不带；商品描述里混着HTML标签；有些字段干脆就是空的。这时候你就得写数据清洗脚本，或者更惨——手动整理。

但有些数据根本没法直接用爬虫抓。比如你要从某个需要登录的后台管理系统导出报表，或者需要先点击“加载更多”才能看到完整列表，甚至有些数据是以图片形式展示的。传统的爬虫对这些情况往往束手无策。

MAI-UI-8B的出现，正好解决了这个问题。它是个专门为图形界面操作设计的AI模型，简单说就是让AI学会“看”屏幕、“点”按钮、“输”文字。你可以把它想象成一个不知疲倦的虚拟助手，能帮你完成所有需要在电脑界面上手动操作的数据处理任务。

2. 环境准备与快速部署

2.1 系统要求

在开始之前，我们先看看需要准备什么。MAI-UI-8B对硬件的要求不算太高，但为了保证流畅运行，建议满足以下条件：

• 操作系统：Windows 10/11、macOS 12+ 或 Ubuntu 20.04+
• 内存：至少16GB RAM
• 显卡：支持CUDA的NVIDIA显卡（如RTX 3060 12GB或以上），显存至少8GB
• Python版本：Python 3.8 - 3.11
• 磁盘空间：至少20GB可用空间

如果你没有独立显卡，也可以用CPU运行，只是速度会慢一些。对于数据处理这种不太要求实时性的任务，CPU版本也能接受。

2.2 安装步骤

安装过程比想象中简单，跟着我一步步来就行。

首先，打开你的命令行工具（Windows用PowerShell或CMD，Mac/Linux用Terminal），创建一个专门的项目目录：

mkdir mai-ui-crawler
cd mai-ui-crawler

然后克隆MAI-UI的官方仓库。这个仓库里包含了模型代码和示例：

git clone https://github.com/Tongyi-MAI/MAI-UI.git
cd MAI-UI

接下来安装Python依赖。MAI-UI提供了一个requirements.txt文件，里面列出了所有需要的包：

pip install -r requirements.txt

这里可能会花几分钟时间，取决于你的网络速度。安装过程中如果遇到某个包版本冲突，可以尝试单独安装指定版本。

2.3 下载并启动模型

MAI-UI-8B模型文件比较大，大概15GB左右。我们可以直接从Hugging Face下载：

# 如果你有huggingface-cli工具
huggingface-cli download Tongyi-MAI/MAI-UI-8B --local-dir ./models/MAI-UI-8B

# 或者用git直接克隆（如果上面命令不行）
git lfs install
git clone https://huggingface.co/Tongyi-MAI/MAI-UI-8B ./models/MAI-UI-8B

下载完成后，我们需要启动模型服务。这里用vLLM来部署，它能高效地运行大模型：

# 先安装vLLM
pip install vllm>=0.11.0

# 启动API服务
python -m vllm.entrypoints.openai.api_server \
    --model ./models/MAI-UI-8B \
    --served-model-name MAI-UI-8B \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 1 \
    --trust-remote-code

看到类似“Uvicorn running on http://0.0.0.0:8000”的提示，就说明服务启动成功了。这个服务会在后台运行，等待我们发送指令。

3. 基础概念快速入门

3.1 MAI-UI是什么？能做什么？

可能你第一次听说MAI-UI，我简单解释一下。MAI-UI是阿里通义实验室推出的GUI智能体模型，专门用来操作图形界面。你可以把它理解成一个“会看屏幕的AI”。

它的核心能力有几个：

• 屏幕理解：能看懂屏幕上显示的是什么，比如按钮、输入框、文字内容
• 元素定位：能准确找到某个元素在屏幕上的位置，比如“搜索按钮在哪里”
• 操作执行：能模拟点击、输入、滑动等操作
• 任务规划：能把复杂任务拆分成一步步的操作步骤

对我们做爬虫数据处理来说，最有用的是它能处理那些传统爬虫搞不定的情况。比如需要登录的网站、有验证码的页面、动态加载的内容，或者干脆就是桌面软件里的数据。

3.2 核心工作流程

MAI-UI处理一个任务的基本流程是这样的：

1. 接收指令：你告诉它要做什么，比如“打开Excel文件，把第二列的数据提取出来”
2. 观察屏幕：它通过截图或者屏幕共享，看到当前的界面
3. 分析理解：识别屏幕上的元素，理解你的指令对应的操作
4. 生成动作：决定下一步要做什么，比如“点击A1单元格”
5. 执行操作：通过自动化工具执行这个动作
6. 检查结果：看看操作是否成功，然后继续下一步

整个过程是循环的，直到任务完成为止。最厉害的是，如果中途遇到问题（比如弹窗挡住了按钮），它能自己调整策略，尝试其他方法。

4. 分步实践：爬虫数据清洗自动化

4.1 场景设定：电商商品数据整理

我们用一个实际的例子来演示。假设你爬取了一批电商商品数据，保存在products.csv文件里，但数据质量很差：

• 价格格式混乱：有的写“¥199”，有的写“199元”，有的写“199.00”
• 商品标题包含促销信息：“【限时特价】手机支架 买一送一”
• 库存状态不一致：“有货”、“现货”、“库存充足”混用
• 图片链接缺失或错误

传统做法是写Python脚本清洗，但有些判断需要人工介入。比如促销信息要不要去掉？库存状态怎么统一？这时候MAI-UI就能派上用场了。

4.2 第一步：连接MAI-UI服务

我们先写一个Python脚本，连接到刚才启动的MAI-UI服务：

import requests
import json
from PIL import Image
import io
import base64

class MAIUI_Client:
    def __init__(self, base_url="http://localhost:8000/v1"):
        self.base_url = base_url
        self.model_name = "MAI-UI-8B"
        
    def send_instruction(self, instruction, screenshot_path=None):
        """发送指令给MAI-UI"""
        
        # 准备请求数据
        messages = [
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": instruction}
                ]
            }
        ]
        
        # 如果有截图，添加到请求中
        if screenshot_path:
            with open(screenshot_path, "rb") as f:
                screenshot_data = base64.b64encode(f.read()).decode('utf-8')
            messages[0]["content"].append({
                "type": "image_url",
                "image_url": {"url": f"data:image/jpeg;base64,{screenshot_data}"}
            })
        
        payload = {
            "model": self.model_name,
            "messages": messages,
            "max_tokens": 1024,
            "temperature": 0.1
        }
        
        # 发送请求
        response = requests.post(
            f"{self.base_url}/chat/completions",
            json=payload,
            headers={"Content-Type": "application/json"}
        )
        
        if response.status_code == 200:
            return response.json()["choices"][0]["message"]["content"]
        else:
            raise Exception(f"请求失败: {response.status_code}, {response.text}")

# 创建客户端实例
client = MAIUI_Client()

这段代码创建了一个简单的客户端，能向MAI-UI服务发送指令。send_instruction方法可以接受文字指令和屏幕截图，然后返回模型的响应。

4.3 第二步：自动化打开和查看数据文件

现在让MAI-UI帮我们打开数据文件。首先，我们需要截取当前屏幕的图片：

import pyautogui
import time

def take_screenshot(save_path="screenshot.png"):
    """截取屏幕截图"""
    screenshot = pyautogui.screenshot()
    screenshot.save(save_path)
    return save_path

# 先截个图
screenshot_path = take_screenshot()

# 让MAI-UI帮我们打开Excel（或CSV文件）
instruction = """
我现在需要处理一个爬虫数据文件。请帮我：
1. 打开文件资源管理器
2. 找到名为"products.csv"的文件
3. 用Excel或文本编辑器打开它
4. 告诉我文件里有哪些列，数据大概是什么样子的
"""

response = client.send_instruction(instruction, screenshot_path)
print("MAI-UI的响应：", response)

运行这段代码后，MAI-UI会分析屏幕截图，然后生成操作步骤。不过注意，目前MAI-UI只是告诉我们该怎么做，还没有真正执行操作。要让它实际执行，需要结合自动化工具。

4.4 第三步：结合自动化工具执行操作

我们需要用pyautogui这样的库来实际执行MAI-UI建议的操作。这里有个技巧：让MAI-UI生成具体的操作指令，然后我们用代码解析并执行：

import pyautogui
import pandas as pd

def execute_mai_ui_plan(plan_text):
    """解析并执行MAI-UI生成的操作计划"""
    
    # 这里简化处理，实际可以根据MAI-UI返回的结构化信息来解析
    lines = plan_text.split('\n')
    
    for line in lines:
        line = line.strip()
        if not line:
            continue
            
        # 根据指令执行相应操作（这里只是示例，实际需要更复杂的解析）
        if "点击" in line and "文件资源管理器" in line:
            # 假设文件资源管理器在任务栏第一个位置
            pyautogui.click(100, 1060)  # 调整坐标以适应你的屏幕
            time.sleep(1)
            
        elif "输入" in line and "products.csv" in line:
            pyautogui.write("products.csv")
            time.sleep(0.5)
            pyautogui.press('enter')
            time.sleep(2)
            
        elif "双击" in line or "打开" in line:
            # 假设文件在屏幕中间
            pyautogui.doubleClick(960, 540)
            time.sleep(3)

# 读取数据文件（这里直接读取，实际中可能由MAI-UI操作后获得）
try:
    df = pd.read_csv("products.csv")
    print("成功读取数据，前5行：")
    print(df.head())
except FileNotFoundError:
    print("文件不存在，请先确保products.csv在当前目录")

4.4 第四步：智能数据清洗建议

现在数据已经打开了，我们让MAI-UI帮忙分析数据质量问题：

# 把数据样本发给MAI-UI分析
data_sample = df.head(10).to_string()

instruction2 = f"""
请分析以下电商商品数据，找出数据质量问题，并给出清洗建议：

{data_sample}

常见问题包括：
1. 价格格式不统一
2. 商品标题包含促销信息
3. 库存状态表述不一致
4. 缺失值或错误值

请针对每个问题给出具体的Python清洗代码示例。
"""

# 这次不需要截图，直接发送文字指令
response2 = client.send_instruction(instruction2)
print("\n数据清洗建议：")
print(response2)

MAI-UI会分析数据样本，然后给出详细的清洗建议。比如它可能会说：

“价格列中，有的值包含'¥'符号，有的包含'元'字。建议统一为纯数字格式。可以用正则表达式提取数字部分。”

“商品标题列中，很多包含【】括号内的促销信息。如果不需要这些信息，可以用正则表达式移除。”

“库存状态有'有货'、'现货'、'库存充足'等多种表述。建议统一为'有货'和'缺货'两种状态。”

4.5 第五步：自动执行数据清洗

得到清洗建议后，我们可以让MAI-UI生成完整的清洗代码，然后自动执行：

# 让MAI-UI生成完整的数据清洗代码
instruction3 = f"""
请根据之前的数据分析，编写完整的Python数据清洗代码。
数据文件是products.csv，清洗后的数据保存为products_cleaned.csv。

清洗要求：
1. 价格统一为浮点数格式
2. 移除商品标题中的促销标记（如【】内的内容）
3. 库存状态统一为'有货'和'缺货'
4. 处理缺失值，数值列用0填充，文本列用'未知'填充
5. 验证图片链接，移除无效链接

请提供可以直接运行的完整代码。
"""

response3 = client.send_instruction(instruction3)

# 提取代码部分（假设MAI-UI用```python代码块包裹代码）
if "```python" in response3:
    code_start = response3.find("```python") + 9
    code_end = response3.find("```", code_start)
    cleaning_code = response3[code_start:code_end].strip()
else:
    cleaning_code = response3

print("\n生成的清洗代码：")
print(cleaning_code[:500] + "..." if len(cleaning_code) > 500 else cleaning_code)

# 执行生成的代码（注意：实际使用时要小心，最好先检查代码）
try:
    # 这里只是演示，实际应该先保存代码到文件，人工检查后再运行
    # exec(cleaning_code)
    print("\n代码已生成，建议先保存到文件检查后再执行")
    
    # 保存代码到文件
    with open("data_cleaning.py", "w", encoding="utf-8") as f:
        f.write(cleaning_code)
    print("清洗代码已保存到 data_cleaning.py")
    
except Exception as e:
    print(f"执行代码时出错：{e}")

5. 处理复杂场景：需要GUI交互的数据采集

5.1 场景：需要登录的网站数据导出

有些数据源需要登录才能访问，或者需要点击多个按钮才能导出数据。传统爬虫处理这种场景很麻烦，但MAI-UI能轻松应对。

假设我们需要从某个内部系统导出销售报表，流程是：登录系统 → 进入报表页面 → 选择日期范围 → 点击导出按钮 → 保存文件。

我们可以这样设计自动化流程：

def automate_website_data_export():
    """自动化网站数据导出流程"""
    
    # 记录关键步骤的屏幕坐标（实际中可以训练MAI-UI自动识别）
    # 这里只是示例，实际坐标需要根据你的屏幕调整
    steps = [
        ("打开浏览器", None, lambda: pyautogui.hotkey('win', 'r')),  # Win+R打开运行
        ("输入网址", "internal-system.com", lambda: pyautogui.write("internal-system.com\n")),
        ("等待加载", 3, lambda: time.sleep(3)),
        ("点击登录按钮", (800, 400), lambda: pyautogui.click(800, 400)),
        ("输入用户名", "your_username", lambda: pyautogui.write("your_username")),
        ("切换到密码框", None, lambda: pyautogui.press('tab')),
        ("输入密码", "your_password", lambda: pyautogui.write("your_password")),
        ("点击登录", (800, 480), lambda: pyautogui.click(800, 480)),
        ("等待登录成功", 5, lambda: time.sleep(5)),
        # ... 更多步骤
    ]
    
    print("开始自动化数据导出流程...")
    
    for step_name, step_data, action in steps:
        print(f"执行步骤: {step_name}")
        
        # 在执行前截屏，让MAI-UI验证是否正确
        screenshot_path = take_screenshot(f"step_{step_name}.png")
        
        # 可以在这里加入MAI-UI的验证
        # 比如让MAI-UI确认当前页面是否正确，按钮是否可见等
        
        # 执行动作
        if action:
            action()
            time.sleep(1)  # 给页面反应时间
    
    print("流程执行完成！")

# 注意：实际使用时需要谨慎，特别是涉及登录信息的操作
# 建议先在测试环境验证流程

5.2 让MAI-UI实时指导操作

更高级的用法是让MAI-UI实时指导每个步骤。我们可以创建一个循环，每执行一步都让MAI-UI分析当前屏幕，决定下一步该做什么：

def mai_ui_guided_automation(initial_instruction):
    """由MAI-UI实时指导的自动化流程"""
    
    current_instruction = initial_instruction
    max_steps = 20  # 防止无限循环
    step_count = 0
    
    while step_count < max_steps:
        step_count += 1
        print(f"\n=== 步骤 {step_count} ===")
        
        # 截取当前屏幕
        screenshot_path = take_screenshot(f"step_{step_count}.png")
        
        # 询问MAI-UI下一步该做什么
        instruction = f"""
        当前任务：{current_instruction}
        我们已经执行了{step_count-1}个步骤。
        
        请根据当前屏幕截图，告诉我：
        1. 当前处于什么界面？
        2. 下一步应该做什么具体操作？
        3. 操作的详细描述（包括点击位置、输入内容等）
        
        如果任务已经完成，请明确说明"任务完成"。
        """
        
        response = client.send_instruction(instruction, screenshot_path)
        print(f"MAI-UI建议：{response}")
        
        # 检查是否完成任务
        if "任务完成" in response or "已完成" in response:
            print("任务完成！")
            break
            
        # 解析MAI-UI的建议并执行（这里需要更复杂的解析逻辑）
        # 实际应用中，可以让MAI-UI返回结构化数据，而不是自然语言
        
        # 简单演示：如果MAI-UI提到"点击"，就在屏幕中间点一下
        if "点击" in response:
            print("执行点击操作...")
            pyautogui.click(960, 540)
            time.sleep(2)
            
        elif "输入" in response:
            print("执行输入操作...")
            # 这里可以解析出要输入的内容
            pyautogui.write("test input")
            time.sleep(1)
            
        elif "按" in response and "键" in response:
            print("执行按键操作...")
            pyautogui.press('enter')
            time.sleep(1)
    
    if step_count >= max_steps:
        print("达到最大步骤数，流程可能未完成")

# 使用示例
# mai_ui_guided_automation("登录系统并导出上个月的销售报表")

6. 实用技巧与进阶用法

6.1 提高识别准确率的小技巧

MAI-UI的屏幕识别能力很强，但有时候也会出错。这里有几个提高准确率的方法：

提供上下文信息：告诉MAI-UI当前在做什么任务，它会更准确地理解屏幕内容。

# 不好的方式
instruction = "点击这个按钮"

# 好的方式
instruction = """
我正在处理电商数据清洗，当前打开了Excel文件。
请找到并点击"数据"选项卡，然后点击"删除重复项"按钮。
"""

使用区域截图：如果只需要关注屏幕的某一部分，可以只截取那个区域：

def take_region_screenshot(x, y, width, height, save_path="region.png"):
    """截取屏幕指定区域"""
    screenshot = pyautogui.screenshot(region=(x, y, width, height))
    screenshot.save(save_path)
    return save_path

# 只截取Excel窗口区域
excel_region = take_region_screenshot(100, 100, 800, 600)

多角度验证：对于重要操作，可以让MAI-UI从不同角度确认：

def confirm_action(action_description, screenshot_path):
    """让MAI-UI确认操作是否正确"""
    
    instruction = f"""
    我准备执行以下操作：{action_description}
    
    请根据截图确认：
    1. 这个操作在当前界面上是否可行？
    2. 目标元素是否清晰可见？
    3. 有没有更好的替代方案？
    
    如果确认可以执行，请回复"确认执行"。
    如果有问题，请说明具体问题。
    """
    
    response = client.send_instruction(instruction, screenshot_path)
    return "确认执行" in response, response

6.2 处理动态内容和弹窗

网页和应用程序经常有动态内容和弹窗，这是自动化脚本最容易出错的地方。MAI-UI的优势在于它能理解这些变化，并灵活应对。

def handle_dynamic_content(task_description, timeout=30):
    """处理可能包含动态内容的页面"""
    
    start_time = time.time()
    last_state = None
    
    while time.time() - start_time < timeout:
        # 截取当前屏幕
        screenshot_path = take_screenshot()
        
        # 让MAI-UI分析当前状态
        instruction = f"""
        任务：{task_description}
        
        请分析当前屏幕：
        1. 页面是否加载完成？
        2. 有没有弹窗或遮挡物？
        3. 目标元素是否出现？
        4. 下一步应该做什么？
        
        如果页面还在加载，请告诉我还需要等待多久。
        如果有弹窗，请告诉我如何处理。
        """
        
        response = client.send_instruction(instruction, screenshot_path)
        print(f"状态分析：{response}")
        
        # 检查页面是否稳定（连续两次分析结果相似）
        if response == last_state:
            print("页面状态稳定，继续执行任务")
            return True
            
        last_state = response
        
        # 如果MAI-UI建议等待，就等一会儿
        if "等待" in response or "加载" in response:
            wait_time = 2  # 默认等2秒
            time.sleep(wait_time)
        else:
            # 页面可能已经就绪
            break
    
    return False  # 超时

6.3 批量处理多个数据文件

如果你有多个类似的数据文件需要处理，可以创建一个批量处理流程：

import os
import glob

def batch_process_data_files(input_pattern="data_*.csv", output_suffix="_cleaned"):
    """批量处理多个数据文件"""
    
    # 找到所有匹配的文件
    input_files = glob.glob(input_pattern)
    print(f"找到 {len(input_files)} 个待处理文件")
    
    for input_file in input_files:
        print(f"\n处理文件：{input_file}")
        
        # 生成输出文件名
        file_name, file_ext = os.path.splitext(input_file)
        output_file = f"{file_name}{output_suffix}{file_ext}"
        
        # 让MAI-UI为这个文件生成清洗方案
        instruction = f"""
        我需要处理一个数据文件：{input_file}
        
        请分析这个文件的内容和结构，然后：
        1. 生成针对这个文件的数据清洗代码
        2. 代码应该读取{input_file}，清洗后保存为{output_file}
        3. 包含必要的错误处理和日志记录
        
        请先简要分析文件特点，然后提供完整代码。
        """
        
        # 这里可以添加文件样本给MAI-UI分析
        try:
            with open(input_file, 'r', encoding='utf-8') as f:
                sample_lines = ''.join(f.readlines()[:10])
            instruction += f"\n\n文件前10行样本：\n{sample_lines}"
        except:
            pass
        
        response = client.send_instruction(instruction)
        
        # 保存生成的代码
        code_file = f"clean_{os.path.basename(file_name)}.py"
        with open(code_file, "w", encoding="utf-8") as f:
            f.write(response)
        
        print(f"清洗方案已保存到 {code_file}")
        
        # 可以选择自动执行，或者人工检查后执行
        # run_cleaning_code(code_file, input_file, output_file)
    
    print("\n批量处理完成！")

7. 常见问题解答

Q: MAI-UI-8B需要多少显存？ A: 8B模型大概需要16GB左右显存才能流畅运行。如果你的显卡显存不够，可以尝试量化版本，或者用CPU运行（速度会慢一些）。

Q: 处理速度怎么样？ A: 第一次加载模型需要一些时间，但加载后每个指令的响应速度还是挺快的，一般1-3秒就能返回结果。对于数据处理这种不要求实时响应的任务，完全够用。

Q: 能处理中文界面吗？ A: 完全可以。MAI-UI对中文的支持很好，能识别中文按钮、菜单和文字内容。实际上，它在中文环境下的表现可能比英文还要好一些。

Q: 如果网页结构变了怎么办？ A: 这是MAI-UI最大的优势之一。传统爬虫依赖固定的XPath或CSS选择器，页面结构一变就失效。而MAI-UI是通过视觉理解界面，只要按钮看起来还是那个按钮，它就能找到并点击，不关心底层HTML结构怎么变。

Q: 需要编程基础吗？ A: 基础部分需要一些Python知识，但MAI-UI能帮你生成很多代码。如果你完全不会编程，可以先用它分析数据和生成操作步骤，然后手动执行。有一定基础后，再尝试自动化执行。

Q: 安全吗？会泄露数据吗？ A: MAI-UI是本地部署的，所有数据都在你自己的电脑上处理，不会上传到云端。但要注意，如果你让MAI-UI操作涉及敏感信息的系统（如银行网站），还是要谨慎，最好在测试环境先验证。

8. 总结

用MAI-UI-8B做爬虫数据处理的GUI自动化，最大的感受就是“省心”。以前需要写一堆边界情况处理代码，现在只需要告诉AI“帮我把这个弄好”，它就能给出完整的方案。

实际用下来，这套方案特别适合处理那些半结构化、需要人工判断的数据。比如有些字段需要根据内容决定怎么清洗，有些操作需要根据页面状态动态调整，这些正是MAI-UI的强项。

部署过程比想象中简单，基本上跟着步骤走就行。效果方面，对于常见的网页和桌面应用，识别准确率已经很高了。当然也会遇到一些问题，比如偶尔会误识别元素，或者对特别复杂的界面理解不够准确，但整体来说已经足够实用。

如果你经常需要处理爬虫数据，或者需要从各种系统里导出数据，强烈建议试试MAI-UI。可以先从简单的任务开始，比如自动整理Excel表格，熟悉了再尝试更复杂的场景。刚开始可能会遇到一些小问题，但一旦跑通，工作效率的提升是非常明显的。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。