过去一年,智能体在网页上已经相当能打。打开网站、读取内容、点完结算流程、填好表单,这些动作都能自己完成。BrowserUse 这类工具把门槛降得更低,凡是活在浏览器里的任务,交给浏览器智能体就是对的工具。
但回头看自己的一天,很多事根本不在浏览器里发生。在银行 App 里批准一笔转账,在 WhatsApp 上回复供应商,在某个运货车队 App 里查物流——那个 App 的官网可能还停留在 2012 年,甚至压根没有官网。如今大量服务是移动优先,有些只做移动端。没有网页可以指给浏览器智能体,也没有公开 API。
于是出现一个别扭的局面:智能体能写代码、能读收件箱、能在网站上订机票,可下一步一旦变成"打开那个 App",它就停下来,把任务交还给你。
给智能体一部手机,为什么没那么简单
最直接的想法是给智能体配一部手机。方向没错,但要说清楚它为什么不轻松。
手机是为一个人握着它设计的,软件没有一条干净的路径去说"打开这个 App、登录、切到第三个标签页、查状态"。智能体只能看屏幕、理解屏幕上的内容、决定点哪里,再确认有没有点对——和你做的事一样,只是它不会烦。
麻烦还在屏幕之外。App 会把你登出、会要验证码、会弹窗、会夜里自动更新,然后把你需要的按钮挪走。在桌上跑通一次的演示是最容易的部分。同一个任务反复稳定地跑,不需要人盯着,才是大部分工作量所在。
而且这件事不该在你的个人手机上做。你需要一部专供智能体干活的手机,你能看着它、必要时接管、干完重置。
Mobilerun 的做法
Mobilerun 在云端给智能体一部手机。你交给它一个任务,它在设备上真实的 App 里操作,最后把结果带回来。在 Android 侧,它在云手机上运行真实的 Android 应用,智能体看到和使用的 App 与人用的是同一个,包括那些只存在于移动端的应用。
核心是开源的,你可以看到智能体如何读屏、如何决定下一步,也可以接入你已经在用的模型和智能体,而不必换成它的。你还能实时观看它操作,在需要人介入时接管,比如完成一次登录授权,然后把控制权交回去。
浏览器智能体和手机智能体不是对立关系。同一个思路——让智能体像人一样使用软件——只是指向了不同的地方。Browser Use 这类工具覆盖网页覆盖得很好,Mobilerun 覆盖活在 App 里的那部分。很多真实工作流大概两者都要:网页部分在浏览器里做,App 部分在手机上做,你只看到最终结果。
有一点比较确定:只停在浏览器里的智能体,很快会让人觉得受限。原因不是网页不重要,而是人们真实的数字生活有太多落在手机上。
如果你在做智能体,并且反复撞上"现在请打开 App"这堵墙,可以给它一部手机,看看它能走多远。
热门跟贴