你有没有想过——对着手机说一句话，它就自己操作了？
"打开设置，把深色模式关掉。"
"打开微信，给张三发一条消息说周五会议改到下午三点。"
"打开美团，帮我找附近评分最高的火锅店。"
然后手机真的自己动了。自己点、自己滑、自己输入。
这不是科幻。这是 mobilerun 正在做的事情。
它是什么？
一句话介绍：它是一款用自然语言控制 Android 和 iOS 设备的开源 Agent 框架。
MIT 开源，Python 写的，目前在 GitHub 上接近 9000 star，900+ fork。
你只需要几步：
uv tool install mobilerun# 安装Mobilerun# 或uv pip install mobilerunmobilerun setup# 安装 Portal 到手机mobilerun configure# 配置你的 LLMmobilerun run "打开设置，关闭深色模式"# 执行然后你的手机就开始自己操作了。
不需要写一行脚本，不需要 XPath，不需要定位元素。
你只需要说人话。
为什么它能冲到 9000 star？
细究起来，原因有三。
第一，它是 Agent，不是工具。
这是它与同类项目最大的区别。之前有项目定位是"给 Codex 或 Claude Code 当手脚"，你得先有一个 AI Agent 来驱动它。mobilerun 不一样。它自己就是 Agent。不用装 Codex，不用开 Claude Code。给它一个 prompt，它自己看屏幕、理解界面、规划步骤、执行操作。换句话说——有些方案需要你来当大脑，而 mobilerun 自带大脑。门槛直接砍掉一半。
第二，LLM agnostic——什么模型都能接。
OpenAI、Anthropic、Gemini、DeepSeek、Ollama、OpenRouter——主流模型全支持。这意味着什么？你可以用 DeepSeek 白嫖，也可以用 Ollama 跑本地模型保护隐私。不想折腾 API 的，DeepSeek 充几块钱就能跑，对国内用户非常友好。
第三，Portal 机制——这才是真正的巧妙设计。
传统手机自动化依赖 USB 调试加 ADB 命令，你得插着线，开着调试模式。mobilerun 不一样。它在你手机上装一个 Portal App，通过无障碍服务来控制。这意味着什么？手机不需要插线，不需要在你手边——只要 Portal 在跑，就能远程控制。这就直接打开了 Cloud 模式的想象力。
两个最值得关注的功能
第一个，reasoning 模式。
简单的任务，mobilerun 直接执行。但复杂任务呢？比如"帮我订下周去上海的机票"——搜索、比价、填信息、支付，十几步操作。mobilerun 有个 --reasoning 模式，启动后用"管理者-执行者"架构：管理者负责规划，执行者逐步完成，管理者实时纠偏。这才是解决复杂多步任务的设计。
mobilerun run "帮我找联系人张三，给他发邮件" --reasoning第二个，vision 模式。
有些 App 没做无障碍适配，界面元素全是"button"、"view"，Agent 根本分不清谁是谁。
mobilerun 的 --vision 模式会把截图直接发给 LLM，让它像人一样"看"屏幕。还有 --vision-only 模式——完全不依赖无障碍树，纯靠视觉理解。对那些没做 accessibility 的 App 来说，这是救命稻草。
但别急着吹，三个现实问题
第一，效果取决于模型。LLM agnostic 的另一面是——模型选不好，体验就是灾难。同样一句"帮我订机票"，顶尖模型和免费模型的执行效果可能天差地别。
第二，稳定性还得打磨。自然语言操控手机，本质上是概率性的。同一个任务，跑十次可能八次成功两次失败。对于个人效率、探索性场景——没问题。对于生产环境的关键路径——你还不敢完全信任它。
第三，安全风险。让 AI 直接操作你的手机——读你的消息、翻你的相册、操作你的支付——这件事本身就有风险。Portal 的权限怎么管控？Agent 的操作边界在哪？这些目前还没有标准答案。
总结
mobilerun 代表了一个方向——手机的交互方式正在被重新定义。过去 15 年，我们操作手机的方式没变过：用手指点屏幕。mobilerun 让人看到另一种可能：你说话，手机自己动。但现在还处在早期。稳定性、安全性、准确性都有提升空间。但趋势已经出来了。从"人适应机器"到"机器适应人"——这个方向不会变。
如果你对 AI 加移动端感兴趣，建议去 GitHub 跑一遍 Demo。不用写代码，三行命令，你的手机就开始自己动了。那种感觉，真的很赛博朋克。
GitHub 项目地址：github.com/droidrun/mobilerun
