AutoGLM-Phone实战案例：小红书美食搜索自动化流程详解-编程阁

AutoGLM-Phone实战案例：小红书美食搜索自动化流程详解

1. 背景与技术概述

随着移动设备在日常生活中的深度渗透，用户对智能化操作的需求日益增长。传统手动操作手机的方式效率低下，尤其在重复性任务（如信息检索、账号管理）中尤为明显。为解决这一问题，智谱AI推出了Open-AutoGLM——一个开源的手机端AI Agent框架，旨在通过自然语言驱动实现安卓设备的全自动化操作。

该框架的核心是AutoGLM-Phone，它基于视觉语言模型（Vision-Language Model, VLM），结合Android Debug Bridge（ADB）技术，构建了一个能够“看懂屏幕、理解意图、执行动作”的智能代理系统。用户只需输入一句自然语言指令，例如“打开小红书搜索附近的川菜馆”，系统即可自动解析语义、识别当前界面元素、规划操作路径，并完成点击、滑动、输入等交互行为。

更进一步地，基于此框架开发的Phone Agent系统，不仅具备多模态感知能力，还集成了任务规划、远程调试和安全确认机制。在涉及敏感操作（如支付、登录）时，系统支持人工接管；同时提供WiFi远程控制能力，极大提升了开发与部署的灵活性。

本文将围绕一个典型应用场景——“小红书美食搜索自动化”展开，详细介绍从环境搭建到指令执行的完整实践流程，帮助开发者快速上手并落地此类自动化任务。

2. 系统架构与核心技术原理

2.1 整体架构设计

Phone Agent 的运行依赖于三个核心组件的协同工作：

客户端（Control Client）：部署在本地电脑或边缘设备上的控制程序，负责接收用户指令、调用AI模型、发送ADB命令。
服务端（Inference Server）：运行视觉语言模型的服务节点，通常部署在GPU服务器上，提供推理接口。
目标设备（Android Device）：被控的安卓手机或模拟器，通过ADB接受操作指令。

数据流如下： 1. 用户输入自然语言指令； 2. 客户端截取当前设备屏幕图像； 3. 屏幕图像 + 指令文本上传至服务端模型； 4. 模型输出下一步操作（如“点击搜索框”、“输入‘火锅’”）； 5. 客户端解析动作并通过ADB执行； 6. 循环直至任务完成。

2.2 多模态理解与动作生成机制

AutoGLM-Phone 使用的视觉语言模型以CLIP-like结构为基础，融合了图像编码器与大语言模型（LLM）。其输入为： - 当前屏幕截图（RGB图像） - 历史操作轨迹（可选） - 用户原始指令（自然语言）

模型经过训练后，能将视觉信息与语义指令对齐，输出结构化动作指令，格式通常为：

{"action": "tap", "coordinates": [x, y], "description": "点击搜索图标"}

或

{"action": "input_text", "text": "川菜", "target": "搜索框"}

这种端到端的建模方式避免了传统UI自动化中繁琐的选择器编写过程，显著降低了维护成本。

2.3 ADB控制与输入法集成

为了实现精确操控，系统通过ADB协议与设备通信，主要使用以下命令： -adb shell screencap：获取屏幕截图 -adb shell input tap x y：模拟点击 -adb shell input text "xxx"：输入文本 -adb shell input swipe x1 y1 x2 y2 duration：滑动操作

特别地，由于标准ADB不支持中文输入，项目内置了ADB Keyboard输入法。安装后将其设为默认输入法，即可通过ADB命令直接输入Unicode字符，解决了中文场景下的文本输入难题。

3. 实战部署：连接本地电脑与真机

本节将指导你完成从零开始的环境配置，确保控制端可以成功连接并操控安卓设备。

3.1 硬件与软件准备

项目	要求
操作系统	Windows 10+/macOS Monterey+
Python版本	3.10 或以上
安卓设备	Android 7.0 及以上版本
工具包	ADB调试工具

3.2 ADB环境配置

Windows系统配置步骤：

下载 Android SDK Platform Tools 并解压。
按Win + R输入sysdm.cpl打开系统属性。
进入“高级” → “环境变量”。
在“系统变量”中找到Path，点击编辑，添加平台工具所在目录路径（如C:\platform-tools）。
打开命令提示符，执行：bash adb version若返回版本号，则说明配置成功。

macOS系统配置方法：

打开终端，执行以下命令（假设文件解压至 Downloads 目录）：

export PATH=${PATH}:~/Downloads/platform-tools

建议将该行加入.zshrc或.bash_profile文件以永久生效。

3.3 手机端设置

开启开发者模式
进入“设置” → “关于手机” → 连续点击“版本号”7次，直到提示“您已进入开发者模式”。
启用USB调试
返回设置主界面 → “开发者选项” → 开启“USB调试”。
安装ADB Keyboard
访问 ADB Keyboard GitHub Release 页面下载最新APK。
将APK传输至手机并安装。
进入“设置” → “语言与输入法” → “当前输入法” → 切换为“ADB Keyboard”。

注意：若未正确切换输入法，后续无法进行中文输入。

3.4 部署控制端代码

在本地电脑执行以下命令克隆并安装 Open-AutoGLM 控制端：

# 克隆仓库 git clone https://github.com/zai-org/Open-AutoGLM cd Open-AutoGLM # 安装依赖 pip install -r requirements.txt pip install -e .

安装完成后，可通过运行示例脚本验证是否正常：

python examples/test_connection.py

4. 设备连接方式详解

4.1 USB连接方式

最稳定且推荐的初始连接方式。

使用USB线连接手机与电脑。
手机弹出“允许USB调试？”对话框时，点击“确定”。
在终端执行：bash adb devices输出应类似：List of devices attached 1234567890ABCDEF device

若无设备显示，请检查驱动是否安装、USB调试是否开启。

4.2 WiFi远程连接方式

适用于无线调试和远程部署场景。

首次需通过USB启用TCP/IP模式：

adb tcpip 5555

断开USB线后，使用设备IP地址连接：

adb connect 192.168.x.x:5555

其中IP地址可通过以下方式获取： - 在手机“设置” → “WLAN” → 点击当前网络查看IP - 或通过ADB命令：bash adb shell ip route | awk '{print $9}'

连接成功后，再次执行adb devices应能看到设备ID及tcpip标记。

5. 启动AI代理并执行任务

一切准备就绪后，即可启动AI代理执行自然语言指令。

5.1 命令行方式运行

在项目根目录下执行：

python main.py \ --device-id 1234567890ABCDEF \ --base-url http://192.168.1.200:8800/v1 \ --model "autoglm-phone-9b" \ "打开小红书搜索附近的川菜馆"

参数说明： ---device-id：通过adb devices获取的真实设备ID或IP:端口 ---base-url：vLLM服务暴露的API地址（需提前部署） ---model：指定使用的模型名称 - 最后的字符串：用户自然语言指令

执行过程中，系统会： 1. 截图当前屏幕 2. 发送图文请求至服务端模型 3. 解析返回的动作并执行 4. 循环直到任务完成或超时

5.2 Python API方式远程控制

对于需要嵌入到其他系统的场景，可使用SDK提供的Python API进行编程式调用。

from phone_agent.adb import ADBConnection, list_devices # 创建连接管理器 conn = ADBConnection() # 连接远程设备 success, message = conn.connect("192.168.1.100:5555") print(f"连接状态: {message}") # 列出所有已连接设备 devices = list_devices() for device in devices: print(f"{device.device_id} - {device.connection_type.value}") # （可选）为USB设备开启TCP/IP模式 success, message = conn.enable_tcpip(5555) if success: ip = conn.get_device_ip() print(f"设备IP: {ip}") # 断开连接 conn.disconnect("192.168.1.100:5555")

该API可用于自动化测试、批量设备管理等高级场景。

6. 小红书美食搜索自动化案例详解

我们以“打开小红书搜索附近的好评火锅店”为例，详细拆解整个自动化流程。

6.1 任务分解逻辑

AI代理会将高层指令拆解为一系列原子操作：

启动小红书App（若未运行）
定位首页底部导航栏“发现”页
点击顶部搜索框
输入关键词“火锅”
触发搜索
向下滑动浏览结果
结束任务并返回摘要

每一步均由模型根据当前屏幕内容动态决策，无需预设UI路径。

6.2 关键挑战与应对策略

挑战	解决方案
不同品牌手机UI差异大	模型训练时包含多种设备截图，增强泛化能力
输入法冲突导致文字无法输入	强制使用ADB Keyboard作为默认输入法
搜索结果加载延迟	设置等待机制，检测新页面特征后再继续
权限弹窗干扰	内置异常处理模块，识别弹窗并自动关闭

6.3 敏感操作保护机制

当检测到可能涉及隐私或资金的操作（如跳转至支付页面、申请权限），系统会暂停执行并提示用户确认。例如：

[WARNING] 检测到疑似支付页面，是否继续？ [Y/n]:

用户输入n可中断流程，保障安全性。

7. 常见问题排查指南

7.1 连接类问题

问题现象	可能原因	解决方案
`adb devices`无输出	USB调试未开启	检查开发者选项
显示`unauthorized`	未授权电脑调试	重新插拔并确认授权弹窗
`connect failed: Connection refused`	防火墙阻断	放行5555端口或改用USB

7.2 模型推理问题

问题现象	可能原因	解决方案
返回乱码或无效动作	模型加载错误	检查vLLM启动参数，特别是`--max-model-len`
响应极慢	显存不足	减少`--gpu-memory-utilization`值
动作循环重复	上下文理解失败	添加更多上下文历史或调整prompt模板

7.3 输入与显示问题

无法输入中文：确认ADB Keyboard已安装并设为默认输入法
屏幕旋转导致坐标错乱：建议锁定竖屏模式
高分辨率设备适配差：可在配置中设置缩放比例（如0.5）

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。

AutoGLM-Phone实战案例：小红书美食搜索自动化流程详解