2 手机智能体的概念界定与总体架构
2.1 手机智能体的定义与边界
手机智能体以智能手机为核心载体，基于端侧和云侧大模型、多模态交互、环境与用户状态 感知、工具调用、上下文记忆与执行控制能力，对用户意图进行理解、规划并在授权条件下自主 调用系统工具、应用能力与外部服务，以完成跨应用、多步骤任务的智能软件系统[4]。其关键特 征在于是否形成了以任务完成为目标的感知—推理—执行闭环。
从边界上看，首先手机智能体不等同于应用智能体，手机智能体与其区别在于：
——集成于手机操作系统：手机智能体预置在手机操作系统中、是手机操作系统的组件之一， 具备访问其他系统组件的能力，如访问系统的控制中心、设置菜单，访问系统通讯录拨打电话或 发送短信等功能。
——软硬件协同优化：手机智能助手是手机软硬件一体化设计的重要组成部分，通过针对系 统硬件的优化，能充分利用手机端侧模型和 AI 芯片（NPU）加速语音识别、图像识别等任务，利 用麦克风、扬声器等硬件协同工作，共同提供流畅的 AI 体验。
——系统服务与权限：手机智能体承担系统级功能、被赋予较高的系统权限。手机智能体可 以注册为默认的语音助手服务，接管设备的语音唤醒和全局命令响应，可以访问设备状态、用户 数据（在用户授权范围内）以及调用其他应用的接口。
——维护系统功能与稳定：手机智能体在一定程度上还承担着辅助系统功能的角色，帮助用 户更方便地使用和维护手机。例如，当用户忘记某些系统设置的位置时，可以直接询问助手“如 何打开蓝牙”或“怎样调整屏幕亮度”，助手会提供指引甚至直接执行操作。
另一方面手机智能体也不等同于传统语音助手或一般意义上的手机 AI 功能集合，前者通过对 话界面提供简单的问答和单步应用执行服务，后者通常以拍照增强、写作辅助、翻译、摘要等单 点功能为主。手机智能体要求具备跨场景代理属性，更强调自主规划、工具编排、持续上下文保 持以及对结果的回读与纠偏。随着技术发展，手机智能体的边界还进一步向操作系统层延伸，即 其不再只是某个 App 内的服务，而可能成为操作系统内生的执行体和流量调度中枢。
2.2 手机智能体的产品形态演进
从当前产业实践看，手机智能体的能力由低到高大致可以分为三级。第一级是“助手增强型”， 以自然语言交互为主，在系统内提供搜索、问答、内容生成和若干结构化调用能力；第二级是“任 务执行型”，能够调用日历、通讯录、浏览器、地图、消息等能力完成若干中短链任务；第三级 是“系统调度型”，其能力已深入系统底层，具备更多系统级工具、跨应用执行、上下文长期记 忆、子智能体分工与生态扩展能力。
Xiaomi miclaw 是 2026 年最值得关注的新形态。Xiaomi miclaw 其核心能力是理解自然语言手机智能体技术研究报告 指令，自主规划执行路径，调用工具从而完成任务，并在多轮对话中维持上下文。它将手机核心 能力封装为数十项系统级工具并结合小米智能家居、智能汽车生态服务，由模型在“推理—执行 —反馈”循环中自主决定调用何种工具、传递何种参数以及何时结束任务。随后荣耀、华为、OPPO、 vivo 也相继发布了相关产品，其中华为小艺 claw 内置于华为小艺中，不仅能够通过 skill 市场 集成的生态工具完成用户目标，还能结合鸿蒙系统的分布式特性，与手机、平板等多设备无缝互 动。这意味着手机智能体正在从“助手界面”升级为“终端操作层”。
2.3 手机智能体参考架构
根据目前企业实践[5]，可将手机智能体的技术架构抽象为自下而上的四层模型，分别是智能 交互层、智能连接层、智能中枢层、智能执行层。
1. 智能交互层：作为用户与智能体的接口，负责接收用户的多模态输入（如语音、文本、图 像），并通过自然语言处理（NLP）、语音识别（ASR）等技术，将原始输入转化为机器可理解的 结构化信息。同时，该层也负责将智能体的执行结果和状态以自然语言或可视化方式反馈给用户。
2. 智能连接层：负责连接物理世界和数字世界。它通过调用手机的各类传感器（如 GPS、麦 克风、摄像头、加速度计）和系统信息（如时间、网络状态、日历事件），实现对用户当前情境 （Context）的全方位感知，为上层决策提供丰富的环境数据。
3. 智能中枢层：这是智能体的“大脑”，是其核心决策中心，通常由大模型驱动。该层负责 对来自交互层和连接层的信息进行综合处理，完成意图理解、任务规划、决策生成、全局记忆等 核心认知任务。它将用户的复杂意图分解为一系列可执行的原子操作序列。
4. 智能执行层：作为智能体的“手脚”，负责执行智能中枢规划好的任务。它通过调用操作 系统 API、应用提供的标准化接口（如 App Intents）或模拟 UI 操作（如模拟点击、滑动），与各种应用、智能体和智能硬件进行交互，最终完成任务。
2.4 工作流程
手机智能体执行任务的过程是一个动态的闭环循环，可概括为“感知-规划-行动-反馈”四个 阶段，见图 2。这一工作流确保了智能体在复杂多变的环境中能够灵活完成任务。
——感知（Perception）：智能体首先通过语音识别、屏幕内容理解（OCR、UI 结构树分析） 及上下文分析（时间、地点、历史偏好）等方式，全面感知当前的用户指令和环境状态。
——规划（Planning）：基于感知到的信息，智能体的大脑（通常是 LLM）进行任务拆解和 决策生成。例如，将“帮我订一份猪脚饭”的模糊意图，拆解为“打开外卖 App→搜索猪脚饭→ 筛选排序→选择商品→下单支付”等具体步骤，并决策使用哪个 App、选择哪家店铺。
——行动（Action）：根据规划好的步骤，行动模块通过 UI 自动化框架或系统 API 调用，模 拟用户操作（点击、滑动、输入）或直接与系统服务交互（如发起支付验证）。
——反馈（Feedback）：行动执行后，智能体再次感知环境变化（如页面跳转、弹窗出现）， 并将任务状态（如“已为你下单”）或最终结果（如“预计 30 分钟送达”）反馈给用户。若行动 中出现异常（如支付失败），反馈模块将触发新一轮循环，进行异常处理和重新规划。
2.5 手机智能体的部署模式
受限于手机端算力、功耗、散热和上下文窗口等约束，当前手机智能体普遍采用端云协同架 构。端侧主要负责高敏感数据处理、用户状态感知、本地权限管理、工具触发、部分缓存记忆以 及近实时交互；云侧主要承担复杂推理、长链任务规划、多轮对话语义整合、语音合成与更高质 量模型推断。端云协同的价值，不仅在于平衡性能与体验，更在于为“隐私保护与能力扩展并存” 提供现实技术路径，见表 1。
3 手机智能体关键技术解析
3.1 意图理解
意图理解是智能体工作的起点，其核心是让计算机准确理解用户输入背后的真实目的。该技 术通常基于自然语言处理（NLP），通过分类器将用户输入映射到预定义的意图类别（如“查询天 气”“播放音乐”）。目前，主流手机厂商如苹果、华为、vivo、OPPO 均已推出各自的意图框架， 并吸引了小红书、同程旅行等众多开发者接入。
手机智能体正在推动意图理解技术向更高层次发展，主要体现在以下两个方面：
——从“被动响应”到“主动预测”：传统的语音助手多停留在被动执行用户明确、完整的 指令。而新一代智能体追求“主动智能”，通过持续感知环境（时间、位置、屏幕内容）和学习 用户历史行为，构建高精度用户画像，从而预测用户的潜在需求。例如，当用户在周五晚上搜索 “周边游”时，智能体能结合其历史偏好（如喜欢安静、预算中等），主动过滤掉不相关的热门 景点。
——多模态融合理解：意图的理解不再局限于文本或语音。智能体需要融合图像、声音、位 置等多维度信息进行综合判断。例如，在 AR 场景中，智能体需结合用户视线、手势和环境中的物 体，来理解“把这个（指向一个物体）加入购物车”的复杂意图[6]。
3.2 任务规划与推理
在理解用户意图后，智能体需具备将复杂任务分解为可执行步骤并自主完成的能力。这主要 涉及任务规划和任务执行两大环节。
