启动移动设备，由智能助手代为处理订餐、订房及网络购物等繁杂事务，这种做法正演变出一种全新的手机运用模式。

一种可独立完成许多生活事务的定制化人工智能，正逐步从想象变为现实。

不过，实现“摆脱束缚”的最终环节却异常艰难。有效培养以及在手机上配置 Agent 模型，长期以来仿佛都是少数巨头的专属领域。从获取优质操作数据，到模型培养与调整，再到移动应用程序的改进，诸多障碍将大部分程序员和一般使用者排除在外，也严重制约了移动 Agent 的环境构建。

就在刚刚，这一局面迎来了新的破局者。

由上海交通大学 IPADS 研究机构的研究人员，公开发布了一项名为 MobiAgent 的移动设备自动化工具包。

这个体系，初次将手机 Agent 从无到有的全过程完全对所有人开放。这表示，从采集手机使用记录数据起，到培养一个能理解口语命令、协助处理日常工作的个人 Agent，直至最后把它安装到自己的设备上，如今，每个人都可以尝试制作。

当然，仅仅依靠光能进行转换是不够的，实际表现必须非常出色。为了检测 MobiAgent 的实际性能，研究小组在国内排名前二十的应用程序上直接进行了测试。实验数据表明，容量为7B的MobiAgent版本，在作业整体评分方面，不仅胜过了GPT-5、Gemini 2.5 Pro等众多商业化的大型模型，而且比当下性能最突出的同等容量开源图形界面代理版本更出色。

团队还为 Agent 配备了专属的 “潜记忆加速器”，用以增强其功能表现。针对点外卖、查询路线这类频繁执行的任务，MobiAgent 可以触类旁通，借助过往操作经验来优化选择过程，凭借条件反射式的反应来达成 Agent 的目标，整体上使任务执行效率提高了两到三倍。这一整套融合了信息采集、算法构建、运算优化以及效果检验的综合性方案，能够实现移动智能体从构思到应用的完整流程贯通。

这，也许就是常人真正渴求的智能助手。那么，MobiAgent究竟运用了什么方法？

那个网址，是一个微信公众号文章的链接，内容是关于某个话题的分享，分享者用了两个名字，一个是ylbyEGyj3，另一个是kl7Ta6a4OPUw，这篇文章应该挺有价值的，值得一读。

Agent 养成全攻略：三步走

要让人工智能掌握使用手机的方法，必须先让它明白人类的具体操作方式。MobiAgent 的首要关键，在于提供了一套由人工智能协助的快速数据采集流程。

以前，为人工智能准备“教材”（标注数据）既昂贵又耗时，如今，MobiAgent借助一个精简的小工具，便能够完整记录人们在手机上的所有点击、滑动、输入等行为路径，对于部分基础性任务，这一记录环节甚至可以全权委托给大型模型来执行，从而大幅提升了数据获取的流畅度。

MobiAgent数据收集与自进化流程

但仅有执行操作是不够的，AI 需要明白其中的缘由。为此，团队选用了通用的视觉语言模型（比如 gemini-2.5-pro），让模型面对操作记录，模拟出每一步的推理环节和内在逻辑，进而自动创建出包含详细思考过程的优质训练资料。最终，也是关键的一步，这些信息将经过一个自动化的“处理通道”，调节数据的复杂度分布、修改指令说明、设定过往资料篇幅等，以便使训练出的智能体具备更优的适应性能。

具备优质教材后，需进行训练工作，MobiAgent 的 "大脑"MobiMind，被设计为职责分明的 "三人小组"

这种分工明确的体系，使得模型运行更为顺畅，性能也更为出色。

让 Agent 拥有 “肌肉记忆”，速度飙升 3 倍

思维敏捷并非全部，迟钝的反应同样是个大问题。你肯定不希望代表你行动的代理人，去买咖啡时需要迟疑半分钟。为此，MobiAgent 团队推出了第二项关键工具：AgentRR（Agent 记录与回放）加速系统。这个体系的基本理念，与我们人的“本能反应”相似：对于反复实践的事务，能够直接凭借经验完成，无需再次经过思考。

AgentRR系统架构

AgentRR 将智能体完成的任务路径，以树状结构储存在名为ActTree的容器中。一旦收到新指令，一个极简的“潜在记忆模块”会立刻做出评估。

这个任务我是不是做过类似的？前几步是不是可以照搬？

例如，在查询“周边的火锅店”或“周边的电影院”这类请求时，打开地图软件、点击搜索栏这两个环节完全相同。AgentRR可以直接“借鉴”这一系列动作，绕过大模型的推理环节，因此显著提高工作效率。成效如何呢？在模仿真实用户操作方式的测试里，大部分操作只涉及少数任务，这种情况之下，操作重复利用程度能达到六成到八成五。这种情况在实际任务中体现出来，就是效率能提高两到三倍。

不同请求分布下，AgentRR 的动作复用率

真实场景大比拼：谁是 「手机操作之王」？

真要试试才知道是骡子还是马。为了公正地衡量各款模型实际水平，团队特意设计了一个更贴近实际移动场景的智能体评估体系：MobiFlow。这个标准依据工作流程中的各个重要阶段，也就是所谓的“关键节点”，对在可变界面下运作的智能体实施精准评估，摒弃了“要么完美，要么失败”的单一评价方式，同时囊括了社交、娱乐、购物、旅游、送餐等众多领域内国产热门应用。

MobiFlow智能体评测基准

最终评估显示，MobiAgent组合在多数应用中得分最高，特别是在购物、外卖这类复杂场景里，其表现突出优势显著。对比之下，诸如 GPT 与 Gemini 的巨型模型，尽管能够处理部分工作，却时常采取简化的方式，例如将所有指令一次性填入搜索栏，完全倚仗应用程序自带的智能搜索功能。此类取巧的行事方法，一旦面对不支持人工智能搜索的应用程序，任务完成的效率便会急剧降低。MobiAgent 在任何测试里都能准确结束任务，但 GPT-5 在 11 个应用上遭遇了“无休止循环”的卡顿状况。

总结

MobiAgent 的问世，在运行效率上达到了前所未有的高度，尤其关键的是，它将全部技术体系公开，使得个性化、专属化移动智能体的构建变得极为容易。无论是针对常规任务的智能体设计，还是为每个人量身打造的专属助手，其潜在的可能性都得到了极大的拓展。

也许，一个以言语交流为主、肢体行动为辅的自动化移动阶段，即将来临。

项目成员介绍

MobiAgent主要研发力量来自上海交通大学IPADS实验室，该实验室属于并行与分布式系统研究所，其端侧智能体研究团队吸纳了该校本科生和硕士生参与，同时也有John班级的实习生加入，整个项目由上海交通大学人工智能学院助理教授冯二虎担任主要指导。