最近在公司里落地了一套移动端 AI 自动化回归方案，想拿出来和大家交流一下，也听听有没有类似场景的同学。

先说背景。

我们这边移动端有 Android 、iOS ，现在还有鸿蒙。业务迭代比较快，每次发版前都要做一些主流程回归。

比如：

• 登录
• 内容浏览
• 内容发布
• 视频播放
• 核心页面跳转
• 多端基础兼容验证

问题是，测试资源并不是特别充足。

不是没人测，而是没有一个专门的人长期维护复杂自动化。很多时候是测试同学过一遍主流程，开发自己再补一遍。

时间紧的时候，大家其实都知道一些边角路径覆盖不到，但也只能先保核心链路。

之前也看过传统自动化方案，比如 Appium 、xpath 、坐标、录制回放这些。

实际落下来，问题基本差不多：

页面一改，脚本就容易挂。

Android 、iOS 、鸿蒙三端表现不完全一样。

弹窗、权限、加载中、toast 、偶现卡顿这些情况，都要额外处理。

最关键的是，如果没有专门自动化测试同学长期维护，这套东西很容易变成：

刚开始能跑，过一段时间没人敢动。

所以我后来尝试了另一条路：

能不能把 case 写成人话，然后让模型看真实手机截图，自己判断下一步怎么操作。

比如一个 case 可能就是：

打开 App ，登录账号，进入首页，确认能看到推荐列表。

系统拿到这个 case 后，分配一台真机。

执行过程中，每一步截图给 VLM ，让模型判断当前页面状态、下一步点哪里、输入什么、是否已经完成。

这个方向我一开始也只是想验证一下。

但后面做着做着，发现单纯做一个本地 demo 意义不大。因为公司里真正要用，光能跑起来还不够。

所以后面我把它补成了一个偏平台化的东西，目前已经在公司内部落地使用。

大概流程是：

外部系统投递一批 case
        ↓
平台根据端类型寻找空闲设备
        ↓
真实手机开始执行
        ↓
每一步记录截图、模型判断、操作结果
        ↓
执行结束后生成报告
        ↓
case 结果和批次结果回传给业务系统

现在它可以覆盖 Android 、iOS 、鸿蒙三端真机。

不过我自己的感受是，这个东西真正有价值的地方，不是“AI 能点手机”。

单纯让模型看图点一下，其实很容易做成 demo 。

真正落地的时候，麻烦的反而是这些：

• 页面是否已经稳定下来
• 模型是不是一直卡在同一个页面
• 弹窗、权限、广告、toast 这种临时 UI 怎么处理
• 失败以后怎么复盘
• 多台设备怎么调度
• 结果怎么让内部系统消费
• 怎么让开发和测试愿意相信这个报告

所以我后面做的时候，重点其实放在了执行链路上，而不只是模型本身。

当然，现在这个方案也不是没有问题。

稳定性肯定还不如写死脚本。

同一个 case 多跑几次，偶尔会出现模型判断不一致。

起始状态也很重要。账号状态、权限状态、弹窗状态如果不干净，模型很容易被带偏。

成本也要算。因为每一步都调 VLM ，跑多了肯定不是免费的。

另外像验证码、人脸、安全键盘、强风控这些场景，我也不觉得它适合硬做。

所以我现在对它的定位不是替代测试，也不是替代传统自动化。

更像是一个兜底工具。

比如：

• 开发提测前，先跑一遍主流程
• 发版前，跑几条核心冒烟
• 晚上定时跑一批基础回归
• Android 、iOS 、鸿蒙三端做主链路对比
• 没有专门自动化测试岗位的团队，先把最痛的几个流程托管起来

目前我们内部已经用它跑了一些真实场景，确实能减少一部分重复点点点的工作。

但我也知道这个方向还不算成熟，所以想听听大家意见。

我比较想请教几个问题：

1. 你们公司移动端回归一般是怎么做的？
2. 如果没有专门自动化测试岗位，自动化最后通常是谁维护？
3. VLM 看图操作真机这种方式，你们觉得最大的问题会是稳定性、成本，还是失败复盘？
4. 如果只是用来兜底主流程冒烟，而不是做完整测试，你们觉得有没有价值？
5. 这种方案要接进公司内部测试平台，你们最关心的是报告可信度、执行稳定性，还是环境隔离？

我把目前整理出来的版本开源了，项目叫 ai-phone：

https://github.com/dongxinsuperman/ai-phone.git

目前主力分支是 next/server-brain，main 分支已经归档冻结。

发出来主要不是想说这个方案已经多完善，而是因为它确实在公司里跑起来了，也踩到了一些传统自动化和 VLM 落地之间的问题。

想听听大家怎么看这个方向，欢迎提建议，也欢迎拍砖。