没 root 没电脑，我让 AI 学会了操作微信 QQ

下午 4 点 27 分，手机上的微信冒出一个绿色气泡。

内容是「7Tan 手机写的微信消息」。

我没碰屏幕。手机搁在桌上，手指离它十公分，屏幕自己亮了，自己打字，自己按了发送。

先把话说前面：没有 root，没有电脑，没有 adb，没刷机，没装第三方自动化工具。就一台用了两年的华为，Android 12。

网上讲「让 AI 操作手机」的文章我看了不少，绝大多数第一段就写着「需要 root」。我这条路上确实没用，代价是折腾一整天，其中一半时间浪费在几个很蠢的地方。

记下来，省得别人再踩。



一开始我没想改 App。

手机上给 AI 的「身体」是 Termux 里的 Python，它要点屏幕，最直接的办法是调系统命令。我试了四条：

- input tap 500 900，报 java.lang.SecurityException: Injecting to another application requires INJECT_EVENTS permission
- screencap -p 能执行，但写出来的文件 0 字节
- adb connect 127.0.0.1:5555，Connection refused，无线调试没开
- su，No su program found

顺带查了进程身份：u0_a1125，只有 inet 和 everybody 两个组，跑在 untrusted_app_27 沙箱里。

结论很直白：Android 的设计就是让一个 App 没法操作另一个 App。 这不是配置问题，是架构。想绕，只有三条正规路：无障碍服务、无线调试的 ADB、Shizuku。

后两条我排掉了。它们都要电脑或者重启后重新配对，手机一关就废。无障碍服务是唯一一个开一次、以后开机自动恢复的。



这功能本来是为视障用户做的。屏幕上的字念出来，按钮替人点。系统级接口，不需要 root，也不是破解。

我在自家 App 里加了一个 Service，结构不复杂：

- App 里跑一个 AccessibilityService，能读当前窗口的控件树，也能 dispatchGesture 模拟点击
- 同一个进程里起一个 HTTP 服务，只听 127.0.0.1 的 19200 端口，带 Token 校验
- Termux 那边的 Python 插件，通过这个端口下指令

监听地址选 127.0.0.1 而不是 0.0.0.0，是为了让同一个 WiFi 下的其他设备也打不进来。

权限边界得讲清楚，这是方案最大的代价。无障碍服务能读到屏幕上的所有内容：聊天记录、银行余额、密码框、短信验证码。 它比相机权限大一个数量级。

我做了三条限制：只监听回环地址；每次请求校验 Token；不做常驻监听，只在收到指令时读一次当前屏幕，不后台收集。

三条限制压得住风险，但消不掉。真正的开关在你手上，系统设置里随时能关，关了我就彻底看不见也动不了。



系统设置里「已安装的服务」，第四项就是那天加进去的。列表里另外两个自动点击类工具都是关着的。



代码写完得打包才能装。

这台机器没有 Android Studio，用的是 Termux。之前已经装好 openjdk、aapt2、d8、apksigner，build-tools 也补齐了。有个细节：Google 只发 linux-x86_64 的二进制，aarch64 上跑不了，aapt/aapt2/aidl 换成了 Termux 原生版，zipalign 干脆用 Python 自己写了一个，手工算 local header，写 0xd935 extra field 做 4 字节对齐。

你以为最麻烦的是编译，其实不是。最麻烦的是装不上。

第一次装，系统弹一句：需要更高版本才能安装。

我去查版本号，手机上 13，我打的是 15。15 大于 13，够了。

于是又抬到 16、17，还是那句话。我一度以为是 EMUI 的安装器有毛病。

真相是签名。

手机里那个 1.3.0 是另一台机器上的 debug key 签的，证书指纹 SHA-256 开头是 51bad0e6。我在手机上重新构建，默认用本机 debug.keystore，指纹开头 c08b2a83。

一把钥匙开一个门。Android 不允许用不同密钥覆盖安装同一个包名，实际报的是 INSTALL_FAILED_UPDATE_INCOMPATIBLE。部分 ROM 把这条错误翻译成「需要更高版本」，这个提示会把人往错的方向带很远。

解决办法不难：让构建脚本用手机里那把钥匙。我在 build.py 里加了环境变量 BOOT_DEBUG_KS，指向手机 Download 目录里的 debug.keystore，构建时打印实际用的路径，一眼看得出用的是哪把。

顺手做的第二件事：每次构建前 rm -rf build 全量重编。之前有过 stale 的 .class 混进去，改的代码没生效，白折腾半小时。

那天一共打了六个包，版本号从 13 一路涨到 20。真正必需的只有签名那一改，版本号是顺手往上推的。



这个 bug 值得单独说，因为它暴露的是我的检查方式有问题。

我在主界面加了个「⑤ 开启手机操作(无障碍)」按钮，点了跳系统无障碍设置页。代码写完，编译了，装了。

打开 App，没有那个按钮。

翻源码，handsBtn 这个变量在文件里出现三次：声明、refreshHandsBtn() 里改它的文字、openHandsSettings() 里被调用。看着挺完整。

问题是，从来没有一行代码创建它。没有 button() 调用，没有 addView()，没有 setOnClickListener。

所以 handsBtn 永远是 null，refreshHandsBtn() 第一行 if handsBtn == null return 就直接返回了。

我当时怎么检查的？grep 源码里有没有那个中文字符串。有，就认为做完了。

后来学了正确做法：从签好名的 APK 里把 dex 解出来查。但这里还有个坑。

用 strings 查中文字符串，一条都查不出来。因为 strings 默认只输出 ASCII 可打印字符，中文全被过滤。用 grep -c 统计，结果永远是 0。

我以为按钮没进包，又去改代码。假阴性比真错误更浪费时间，因为它让你怀疑一个本来没问题的地方。 最后换成 grep -a -o -E 直接扫二进制，才看见那行中文确实在里面。



这部分是我最想写的。

服务通了以后，先拿 QQ 试。过程是这样：

- 打开 QQ，2.4 秒后读到 111 个控件
- 会话列表、消息预览、未读数、底部四个 tab，全在
- 点进「我的电脑」，用控件动作点击，一次成功
- 聊天页 17 个控件，输入框 id 是 input，标着可输入、有焦点
- 调 ACTION_SET_TEXT 写进 16 个字，界面直接显示出来
- 点 id 为 send_btn 的按钮
- 消息气泡出现在列表里

从打开到发出，一次成功。太顺了，我以为是运气。



QQ 这边。气泡在右侧，时间是下午 3:10，电脑那端同时收到了。

然后换微信。

界面上明明有东西，控件树是空的。

我把桥接服务返回的原始 JSON 打出来看，五个窗口：



微信那个窗口，focused 和 active 都是 True，说明确实抓到了前台窗口。但类名是空字符串，子节点是 0。

同一个服务、同一套代码、同一分钟，四组对照：

- QQ 读到 111 个控件
- 华为桌面读到 15 个
- 7Tan 自己读到 12 个
- 微信读到 0 个

这不是我的 bug，是微信主动把内容对无障碍屏蔽了。 它自己的界面照样能截图，就是不给你读控件。

所以微信不能按文字找按钮。没有锚点，只能按坐标点。



那就截图，让视觉模型看，它告诉我在哪。

结果：描述画面很准，给坐标很离谱。

720 像素宽的截图上，它返回过一次 x=980，超出画面一半。1600 高的图上它说输入框在 y=625，实际位置在 y 附近 1005。我把图切小块放大再问，它还是一直偏左。

后来换了个办法，把「找坐标」这件事从模型身上拿走。

先让程序扫像素，找出每一行列表的中心 y，图上画红线，右侧标上 1 到 10 的行号。然后只问模型一句话：第几行是文件传输助手。

它答第 8 行。我按第 8 行的 y 点下去，一次就中。

这办法能自证。之前我按 y=671 点下去，进的是「服务号」；模型读标注图时，指向「服务号」在第 5 行。两次说的是同一件事，才敢信。



这张就是标注图。红线是程序扫像素找出来的行中心，右边数字是我画上去的。模型只需要回答第几行，不用给坐标。

眼睛负责回答「这是什么」，像素负责回答「在哪里」。混在一起用，两个都会错。



知道要靠像素之后，我又栽了个跟头。

我在截图里扫出一段特别白的区域，在 y 850 到 935 之间，x 160 到 600，认定了那是输入框，按下去长按。

弹出来的菜单是：提醒、连续朗读、打开。

这是消息气泡的菜单，不是输入框的。那段白色是我之前发给自己的文件消息，背景也是纯白，亮度跟输入框几乎一样。

真输入框长按之后弹的是另一套：粘贴、语音输入、全屏输入、搜一搜、边写边译。



「粘贴」在第一个位置。这条菜单是放大了四倍才读清楚的。

还有个更隐蔽的点。微信的输入框要两步才出键盘：

- 默认是「按住 说话」的语音模式，这时根本没有输入框，只有一个语音按钮
- 先点左下角那个图标切到文字模式
- 再点一下输入框，键盘才弹出来

我一开始是反着做的，直接找输入框点，当然找不到。一直在找那个一次点击就能打字的入口，其实它要两下。

问题出在我拿它跟 QQ 比。QQ 点一下输入框就能打字，我以为所有 App 都一样。微信不是。



输入框找到了，怎么把字放进去？

微信控件树是空的，ACTION_SET_TEXT 无从下手。想到剪贴板：先把文字复制进去，长按输入框，点粘贴。

先在 Termux 里试写剪贴板，三条路全堵：

- termux-clipboard-set，直接挂死，超时退出码 124。它是 Termux:API 的命令，本机只装了 com.termux，没有 com.termux.api
- cmd clipboard，命令不存在，无输出
- am broadcast -a clipper.set，广播发出去了，没有任何接收者

根因是 Android 的规则：剪贴板只有应用进程能写。Termux 是一个 App，7Tan 是另一个 App，两个 uid，互不相通。

那就让 App 自己写。我在桥接服务里加了两个路由，十二行代码：

- POST /hands/clip，把文字写进系统剪贴板
- GET /hands/clipget，读回来

放在无障碍检查之前，因为写剪贴板不需要无障碍权限，服务没开也能用。



到这一步才凑齐。完整链路是这样：

- 写剪贴板：文字是「7Tan 手机写的微信消息」
- 打开微信，进「文件传输助手」
- 点左下角切到文字模式，再点输入框，键盘弹出
- 长按输入框，菜单出来，点「粘贴」
- 文字进了输入框，右边出现「发送」
- 点发送
- 截图



粘贴生效的那一刻。字进了输入框，右侧的「+」自动变成「发送」——这是微信自己判断输入框非空才换的按钮。

最后那张截图里，绿色气泡在右半屏。

为什么强调右半屏？因为微信里自己发的消息靠右，收到的靠左。我用像素量了气泡的边界框：x 从 239 到 614，中心 426，屏幕宽 720，中点是 360。

426 大于 360，是发出去的，不是回显。



微信这边。上一轮还在同一个对话框里折腾了半个小时，就为了等到这个绿气泡。

验收不能看接口返回。接口说成功，可能只是请求送到了。得看屏幕上到底画了什么。

QQ 那边更直接，我在 PC 上收到了消息，内容是「7Tan AI 手机的第一次发言」。那一瞬间比看任何日志都实在。



说清边界，比说能做多少有用。

能做的：读任何 App 的界面(微信除外)、按文字找控件、按 id 点击、按坐标点击、中文输入、滑动、截图、启动 App。

速度不一样。QQ 从打开到发出 2.4 秒。微信要 20 秒左右，因为每一步都得截图、推理、再点，一步错就重来。

不能做的，我也不打算做：支付、红包、转账、验证码。这类操作点错一次不是重来一次的事。

关于风控，一句话讲完。微信对自动化操作敏感，我做了随机延迟，1.5 到 3 秒不等，不是固定间隔；单次任务最多发一条；不做群发。但账号风险最终是你的，我只能把动作做得像人，不能保证它一定不认得。

还有个现实：微信这条路永远不如 QQ 稳。 它的控件树是空的，我全靠像素和截图在摸，界面一改版就得重新算坐标。QQ 是官方把该给的都给了，按 id 点就行。

如果要给谁发消息，能用 QQ 就用 QQ。



三个晚上，一台没 root 的安卓机，AI 现在能替我干几件小事。

回到开头那个问题：AI 现在缺什么。我觉得不是脑子。它能写、能算、能聊，写出来的东西比我强。它缺的是手，是那个能替你按下按钮的东西。

它什么都会说，就是不会替你按那一下。

这一路真正难的也不是技术。教程里那句「必须 root」，劝退一批人；签名报错那口锅甩给版本号，又劝退一批。拦住人的从来不是机器。

装没装成是小事。知道它能做到哪一步，做不到哪一步，才是这一天换来的东西。 我现在的判断是：日常重复的点击可以交出去，涉及钱和承诺的事，还得自己来。