最近在探索本地化 AI Agent 的工程实践时，一个组合让我非常兴奋：

DSH + Qwen3.8

通过本地部署大模型，结合设备控制能力和自动化执行框架，可以让 AI 从“回答问题”进化到“解决问题”。

本文记录一个实际探索方向：

使用 AI Agent 驱动 Android 真机，自动完成 App 测试回归、日志分析和结果总结。最终总共跑了近3个小时~~在240K上下文的本地部署QWEN3.8 27B环境下完美完成。

---

一、为什么需要本地化 AI Agent？

过去几年，大模型发展非常快。

我们已经习惯：

• ChatGPT 帮助写代码
• Copilot 辅助开发
• 大模型生成测试用例

但是在真实企业环境中，还有一个重要问题：

AI 如何进入真实工作流？

例如：

一个 Android 项目每天产生新的 APK。

传统流程：

开发提交代码
        ↓
构建 APK
        ↓
测试人员安装
        ↓
人工执行测试
        ↓
记录问题
        ↓
提交 Bug

这个过程：

• 重复
• 耗时
• 容易遗漏

而 AI Agent 的目标是：

提交 APK

↓

AI Agent

↓

连接真实 Android 设备

↓

自动执行测试

↓

分析异常

↓

生成测试报告

---

二、DSH + Qwen3.8 的组合价值

很多人认为 AI 的核心只是模型。

实际上，真正落地需要三个部分：

大模型
 +
工具能力
 +
业务环境

其中：

Qwen3.8：负责理解和推理

Qwen 系列模型具备：

• 中文理解能力
• 代码分析能力
• 任务规划能力
• Agent 调度能力

它负责：

• 理解测试目标
• 制定执行计划
• 分析异常原因
• 生成总结报告

---

DSH：连接真实世界

如果没有执行能力，大模型只能停留在文本层面。

DSH 可以帮助 AI：

• 连接设备
• 执行动作
• 获取状态
• 驱动工具链

例如：

AI:

"打开APP，执行登录测试"

↓

Agent调用:

adb
uiautomator
scrcpy

↓

真实手机执行操作

这一步非常关键。

因为：

AI 真正产生价值的地方，是它可以影响现实环境。

---

三、Android 真机回归测试 Agent 实践

本次探索目标：

打造一个 Android 自动化回归 Agent。

整体流程：

            用户需求

              ↓

       Test Planning Agent

              ↓

       Android Device Agent

              ↓

       真机执行测试

              ↓

       日志/截图/状态采集

              ↓

       Qwen3.8 分析

              ↓

       自动生成报告

---

四、实际运行过程

下面是实际开发过程截图：

到最后完成时，结果如下：
任务 12 已完成
安装 adb 并确认真机连接
安装 uiautomator2 并验证设备可控
安装 Android SDK (platform-36/build-tools) + JDK17 + scrcpy
解决 loopback 改写问题（docker 构建容器）
编写 src/device_test.py（设备驱动+证据录制+LLM 回归执行）
集成到 main.py 评审流程（并行执行、合并报告/PDF/邮件）
集成视觉模型 qwen3-vl:8b（截图观察+最终复核）
修复 JDK user.home 陷阱（镜像 passwd 条目）
编译 plugincenter 内部库并发布到本地 maven
验证 app 仓库能构建出 APK（含内部依赖）
端到端验证一次完整回归（含构建）
重启服务 + 最终总结
2 轮 · 320 步| LLM 145m36s · 工具调用 117m40s| 首 token 平均 3.4s · 30 tok/s| 缓存命中 96%| 输入 41.3M tok

从任务列表可以看到：

• adb 真机连接
• uiautomator2 环境验证
• Android SDK 配置
• scrcpy 调试
• APK 构建验证
• 自动化测试流程集成

整个流程已经不是传统脚本：

固定步骤
     ↓
执行
     ↓
结束

而是：

观察环境

↓

理解状态

↓

决定下一步动作

↓

执行

↓

根据结果调整

这就是 Agent 和自动化脚本最大的区别。

---

五、为什么这个方向值得推广？

很多企业想使用 AI，但遇到现实限制：

1. 数据安全

业务数据：

• 用户数据
• 测试数据
• 日志
• 代码

不能全部上传公网。

本地部署可以解决：

企业数据

↓

内部模型

↓

内部Agent

↓

内部系统

---

2. 专业场景需要定制

通用 AI 不一定懂：

• 企业 App
• 测试流程
• 内部规范

但是本地 Agent 可以结合：

• 企业知识库
• 自动化工具
• 私有数据

形成专属 AI 工程助手。

---

六、未来方向

我认为未来的软件工程会出现大量：

AI QA Engineer

每天自动：

拉取最新APK

↓

安装测试

↓

执行1000条Case

↓

分析失败原因

↓

生成日报

↓

通知开发

AI 不再只是：

帮工程师写代码

而会变成：

和工程师一起完成整个软件生命周期。

---

七、总结

DSH + Qwen3.8 这个组合最大的意义：

不是让 AI 聊天更聪明。

而是：

让 AI 具备进入真实工程环境的能力。

从：

模型

走向：

模型 + Agent + 工具 + 业务

这是本地 AI 真正落地的方向。

未来属于那些敢于把 AI 接入真实生产流程的人。

---