在传统的移动端自动化体系中，Appium、UIAutomator 或基于 ADB 的脚本方案是绝对的主流。然而，作为在这个领域摸爬滚打多年的高级开发者，我们深知这些方案的痛点：强依赖 PC 宿主机、跨设备通信的 Socket 延迟、极易受 USB 线缆和网络波动影响的脆弱稳定性。当我们面对“高频、脱机、大规模集群”的 RPA（机器人流程自动化）需求时，传统外控方案往往显得力不从心。为此，本项目探索了一条完全不同的道路：彻底抛弃 PC 控制端，将大脑（逻辑控制）与手脚（事件注入）全部封装进 Android 设备本地。本文将剥开外壳，通过核心逻辑的源码级解构，带你走过这条充满坑与算计的“端侧自动化”之路，并客观剖析其当下面临的致命缺陷，以及结合 AI 的未来演进。
前几天我在司内论坛的一个问答中提到了要写一个拉取网络文章文本的 skill，昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用，我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。 我们知道，大模型只会对话，聊天，所谓的工具调用也只不过是特化的聊天功能而已。但是各种天花乱坠的 skills，是如何在底层的 HTTP 中，与大模型——这个只会嘴遁的工具交互的呢？
我们以为自己在给 AI 套缰绳。写 Spec、定 Rule、设 Eval、调 Prompt——每一次按下回车，都像是在多拧紧一圈对它的控制。但如果你在某个深夜回头看过自己写下的那份 project.md，你会发现一件让人后背发凉的事——那根缰绳的另一头，系着的不是 AI，是你自己。你手里攥着的不是缰绳，是一面镜子。它正在你每一条 CI 规则、每一次 Code Review、每一份 Spec 里，悄悄把三百年来从未被言说过的你——写成另一种智能能够读懂的文本。这是一场已经开始、躲不过去、并且没有回头路的革命。你唯一的选择是——弄清楚它正在把你推向哪里。
这篇文章讲的事情不复杂：我们用两个 Git 仓库 + AI 编码助手 + 几个 Shell 脚本，替代了传统项目管理中至少 80% 的人肉操作——催周报、搬数据、画图表、对齐进展、写汇报。没有搭平台，没有买 SaaS 工具，就是 Markdown + Shell + Python + AI 的朴素组合。你有没有想过，为什么你的团队每周都在重复这些事情：催 N 个业务线的同学交周报，催到第三遍还是有人没交把即时通讯文档里的零散信息搬到某个在线表格里，格式不统一，粒度随意手动更新一个看板的进度条，更新完发现另一个团队的数据已经过期了从数据平台上捞一堆 SQL 结果，贴到 PPT 里变成"效能报告"开周会的时候发现大家看的信息版本不一样说白了，这些事情的本质就是信息搬运。从人脑搬到文档，从文档搬到看板，从数据仓库搬到图表。每次搬运都有信息损耗、都有延迟、都需要有人盯着——而且这个人通常是团队里技术最好、最不应该做这些事情的人。我们的做法是：让 AI 做搬运工，人只做输入和决策。
本文介绍了一个面向数据开发团队的端到端数据验证 Agent Skill——verify-data。该技能通过自然语言交互，自动完成从表结构获取、基准表发现、代码逻辑分析、验数 SQL 生成、执行到报告发布的全流程，将传统手工验数从"手写多条 SQL + 人工比对"升级为"一句话触发 + 评审级证据输出"。文章从背景痛点、核心架构与能力、实战场景、设计原则、踩坑经验、当前优势与挑战等方面系统展开，并在最后给出未来演进方向的思考，希望为同样在做数据质量保障和 Agent 工具落地的开发者提供参考。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
