一个开源项目给自己定了一条硬规则：屏幕必须是整个体验里最短的部分。TouchGrass AI 把一次短暂休息改造成一场户外微任务，核心动作只有一串：选时间、领任务、收起手机、出门、观察、回来、验证。

用户先选一个时间预算——5、15、30 或 60 分钟，再选环境，比如公园、后院、城区、步道或水边。随后应用生成一条感官型户外任务，内容都是线下能做的动作：观察自然、听鸟叫、摸树皮、探索周边。

接着进入 Pocket Mode（口袋模式）：屏幕变暗，播放一段出发提示音，提示用户把手机收起来、走到户外。任务结束后，用户只拍一张现场照片。

验证环节跑在本地。MobileNetV4 的 ONNX 模型直接在 CPU 上推理，对观察结果做分类，区分自然/户外发现与显示器、键盘这类明显的室内科技产品。项目文档给出的基准是 CPU 推理约 11–16 毫秒，首页标注约 12 毫秒，不需要 GPU 或 CUDA 环境。

活动记录和户外分钟数写进本地 SQLite 日志，属于私有数据。整个应用没有云端 AI 接口调用，也没有遥测。

为什么坚持本地推理，项目给了几条理由：

  • 隐私：现场照片可能拍到别人家的后院、花园、社区，与其上传给专有云服务，不如在用户 CPU 上处理。
  • 离线：户外常常信号差甚至没信号，模型在本地之后，验证环节不需要联网。
  • 无持续 API 成本：核心视觉验证不依赖付费的专有视觉 API，也没有按次计费。
  • 可控与可移植：ONNX 架构让 AI 层可以替换成其他兼容的 ONNX 视觉模型，不必围绕某家专有供应商重建产品。

技术栈分两层。AI 侧是 MobileNetV4 Small ONNX、ONNX Runtime、NumPy、Pillow；后端是 Python、Flask、Flask-CORS、SQLite；前端是 HTML5、CSS3、原生 JavaScript（ES6）和 Web Audio API。测试用 Python。

项目对问题的描述很直接：开发者、工程师和桌面工作者每天有 8–12 小时盯着发光的屏幕，15 分钟的短休息里，认知疲劳和决策瘫痪会把人推回屏幕的多巴胺循环和无目的刷屏。传统导航和健身应用反而加重问题——它们要求持续看屏幕、追踪路线、上云收集数据。

TouchGrass AI 的定位不是把人留在应用里，而是让人离开它。屏幕交互被压缩在 30 秒以内，剩下的时间交给真实世界。

这个项目是 Hacktoberfest 开源 AI 挑战第三周“Slow and Steady”的投稿。代码在 GitHub 上，仓库名 touchgrass，作者 gokulkakde。