写原生 App 就不是这回事。iOS 和 Android 没有等价的协议，agent 拿到手的只有一张截图。

截图能看，但看不出「这个按钮的边框从 5.25 变到 15.75 用了 1.8 秒」，也看不出「这行字被一个半透明层盖住了」。它只能猜，猜完就改，改完再截一张。

十月二十三号，有个叫 agent-ddp 的项目开了源，想补的就是这块。

它把界面变成几百行文本

装完之后，agent 问一句屏幕上有啥，拿到的是这个：

@e1 animatedButton "Selected" [383, 158, 315, 137]
  z=1 layer fill #0000FFFF corner 31.5
  z=2 bitmap [467, 195, 147, 63]
  z=3 layer border 15.75 #FFA500FF corner 31.5
@e2 flashBox "Flash" [460, 358, 160, 115]

每个元素都有引用号 @e1，下一条命令可以直接用。填充色、边框、圆角、坐标、层级，全是数字。

我量了一下：这个界面 25 个元素、59 个绘制节点，ddp tree 输出 4,184 字节。同一块屏幕截图存下来是 77,397 字节。

差 18.5 倍，而且差的不是大小，是确定性。截图要模型自己看，文本它直接读。

本机跑起来：从装到出结果

我用的是 Mac 上现成的模拟器，Medium Phone，API 36.1。

npm i -g agent-ddp 装 CLI，一个 Rust 编译的原生二进制，没有运行时依赖。样例工程用 Gradle 编出 10 MB 的 debug APK，装进模拟器，打开。

第一步跑 ddp doctor，它把设备、应用、库、端点全查一遍：

ok agent-ddp library in the build ok control endpoint answers ok 25 elements on screen ok hook compose.zSortedChildren (internal): answered 4608 times

二十来行全绿。这一步很关键，因为它不只查「连没连上」，还列出每个隐藏 hook 被调了多少次。后面会说为什么。

接着我只敲了一行 ddp check all，2.7 秒，扫了 116 帧，报出九个问题，退出码 1。

它报的九个问题长这样

• 两处文字被盖住：boxCovered 的字在它的框里一个像素都找不到
• 一处圆角越界：hatchCard 的灰线画到了圆角外面
• 一处动画不停：clockBar 最后 500 毫秒还在变，29 次
• 两处无障碍没标签、两处点击区只有 37×47，低于 48×48
• 一处对比度 1.5:1，低于 4.5:1

每一条都带证据坐标，比如那句「它的字在 [42, 1283, 258, 85] 里一个像素都不出现，那个位置屏幕是 #9E9E9EFF」。

我核对了截图，那块地方确实是灰色方块压在文字上。

我最喜欢的是它拒绝我的那一下

界面上那个被盖住的按钮，我试着让它点：

ddp: boxCovered is covered by pointerInput: no point of it takes a touch next: ddp check tappable, or ddp tap boxCovered –force to touch it anyway

它不点，并且告诉你为什么，还给出两个下一步。

凡是做过 UI 自动化的人都知道这有多反常。传统框架碰到这种情况会硬点下去，然后你去猜为什么没反应。

它给自己定的三条硬规矩

翻文档时我发现，这个项目把三句话写成了不可违反的规矩，排在所有其他规则前面。

第一条，零误报。一条报警只有在确定有问题时才报，拿不准就什么都不说。理由写在文档里：一次误报会教 agent 养成随手加 --force 的习惯，那比漏报贵得多。

第二条，平台引擎是唯一事实源。什么吃到点击、画了什么、谁盖住谁，这些答案必须来自 UIKit、Compose、View 分发这些平台自己的代码。它不许自己重写一套规则去模拟平台的判断。

第三条，每个 hook 都必须计量。凡是用了私有符号或者框架内部成员的地方，都要登记，并且每次调用都计数。hook 失效时，结论变成「未知」，不许变成「有问题」。

ddp doctor 里那行 answered 4608 times 就是这条规矩的产物。系统升级后某个内部结构变了，计数会直接掉下去，你立刻知道有个检查悄悄失明了。

它写了 CDP 方案，当天就自己否了

这个项目有份决策记录特别值得看。

最早的设计是让 Debug 包里的库直接说 Chrome DevTools Protocol，这样 Chrome 和现成的 CDP 客户端都能连上，agent 也不用学第二套协议。

同一天，它自己把这份方案否了。

理由很实在：为了模仿浏览器，它得在原生元素树上面假装出一个 #document > html > body，得支持 CSS 选择器，得给偏好设置起名 localStorage，还得为 Chrome 要的字段填假值。

每一样都是翻译层，学会它、维护它的人是你。更糟的是，这些翻译会把 App 真实的结构藏起来。

换掉之后，协议名改成 screen.elements、input.touch、prefs.write 这种原生叫法。删掉的浏览器层大约六百行。

装进去的东西很轻

iOS 那份是 Swift，四千三百多行；Android 那份 Kotlin，四千一百多行；CLI 是 Rust，九千七百多行。

Debug 包里的库自己就是服务器，跑在一个本地 WebSocket 上。Android 用的是只有 shell 用户和 root 能连的抽象 socket，iOS 只监听 127.0.0.1，还挡掉非 localhost 的 Host 头。

没有守护进程。每条 ddp 命令都是一个短进程，录下来就是一串 jsonl 文件。同一个文件，可以反复问不同的问题。

Release 包里这些代码一行都没有，Android 是 debugImplementation，iOS 整个包在 #if DEBUG 里面。

说点不好听的

它 0 star。十月二十三号建仓，现在共 114 次提交、五个版本，五个开着的 issue 全是依赖升级机器人提的。

iOS 这半边只支持模拟器，真机还没做。看不见的东西也列了一长串：SwiftUI Canvas 里的图文、系统弹窗、部分覆盖的文字、Compose 里某些画进图层的缓存绘制。

还有一类我特意试了：一个按钮只在手指抬起时才响应触摸，这种它判断不了，只会说触摸能到，然后 tap 之后告诉你「什么都没变」。

这不是缺陷，是它诚实。宁可说不知道，也不猜一个答案给你。

我的判断

这波工具真正的分水岭不是能读多少属性，是敢不敢闭嘴。

一个什么都敢报的检查器，agent 学会的是绕过它。一个只在该报的时候报的检查器，agent 才敢把它当验收条件写进流程。

九个真问题、2.7 秒、一千零九十一字节的输出，一个退出码。这套东西如果稳，agent 做 UI 就从「写代码」变成「写完自己验」。

你现在让 agent 改 UI，是发截图给它看，还是让它自己摸？