手机上的 AI 助手大多停在"聊天"这一步:它能告诉你怎么发消息、怎么下单,但点按钮的还是你自己。开源项目 Mika 把最后一步补上了——说一句"给文件传输助手发条消息",它就会打开微信、找到联系人、输入并发送,全程不需要你动手。更有意思的是它工作的位置:一块隐藏的后台屏。应用点击、输入、滚动都发生在这块虚拟屏幕上,你的手机主屏照常使用,想看进度就点一下悬浮窗。项目以 Apache-2.0 协议开源,APK 直接从 Releases 下载,无需 Mika 服务器,模型用自己的 Key 或账号登录。
这类"GUI Agent"产品 2026 年已经不少,但多数要么跑在厂商云端的虚拟机里,要么在电脑上操作浏览器。Mika 的路线是纯端侧、纯手机、纯本地——数据不出设备,能力覆盖任何 App 与网页,不依赖任何一家应用开放 API。本文按"概览、后台屏设计、免 root 原理、能力全景、安全模型、上手兼容、生态对比、总结"组织全文。
1、概览
Mika 的定位一句话可以说清:安卓手机上的 AI 助理,你说需求,它操作你的应用和网页直到完成。它不挑应用——按 README 的说法,它"像人一样看屏幕找按钮",没有应用 API、没有逐应用适配。微信、小红书、抖音、闲鱼、BOSS 直聘这些国内高频应用内置了使用知识(二十余款应用加近二十个网站),没列入的应用照样能用,只是少一层经验加成。
模型接入完全开放:DeepSeek、通义千问、Kimi、智谱等国内厂商与 OpenAI、Anthropic、Gemini、xAI 等海外厂商都有预置,也可以填任意 OpenAI 兼容端点,甚至局域网里自托管模型。语音输入走系统自带识别或模型厂商的语音服务,UI 提供十种语言。
三个产品决策值得先记住:后台屏保住主屏使用权、GUI 操作替代 API 集成、无服务器架构守住数据边界——后文逐一展开。
2、后台屏:交互上的关键创新
GUI Agent 最尴尬的地方是"抢屏幕":自动化一启动,你的手机就变成了机器人的手,期间什么也干不了。Mika 用安卓的虚拟显示(VirtualDisplay)能力解决了这个问题,双屏并行的结构如下:
README 特别注明 Android 14 以上体验最佳,原因是"后台屏有自己的焦点,不会干扰你在主屏打字"——这指向新版系统对多显示器焦点分配的改进。对用户而言,效果就是 Agent 干活与人类用机互不干扰,想监督就点悬浮窗实时观看。
这块后台屏还带来一个副产品:任务天然可并行。你可以同时交代几件事,或者在一件事执行中途继续对话补充要求——README 的说法是"任务运行时可以继续说话,补充或纠正;停止后它会报告进行到哪里,说继续就接着干"。会话即线程,这是聊天式交互与后台屏结合的自然结果。
3、免 root 的自动化原理
手机自动化的经典困境:要可靠地注入点击与截屏,要么 root,要么求应用开放无障碍服务。Mika 的设置向导给出了第三条路——配对一次无线调试。这条路线的机制推断如下:
无线调试是安卓官方的开发者通道,配对后可授予 shell 级权限——能够注入触摸事件、执行输入命令,而不需要修改系统或 root。README 的 FAQ 也印证了这条依赖链:系统在更换 Wi-Fi 或重启时会自动关闭无线调试,Mika 会在授权范围内自动把它重新打开;个别精简系统没有无线调试入口时,还可以用电脑经 USB 启动手机助手。
这套方案的代价与收益都清楚。收益是零 root、零无障碍劫持、对任意应用一视同仁;代价是首次配置多一步配对,且高度依赖系统的调试通道行为——这也是它把"兼容性自检"做进设置里的原因:一键跑十二项检查,结果可一键上报 issue。
4、能力全景
除了操作应用,Mika 的能力面覆盖了手机 Agent 的主要场景,分组如下:
| 能力 | 说明 | 边界处理 |
|---|---|---|
| 操作应用 | 读长列表与聊天记录、点击输入、分享文本 | 登录验证码与支付交给人类 |
| 浏览网页 | 桌面级内置浏览器,保持登录态、上传下载 | 反爬拦截页交给人类 |
| 当前屏幕 | 双击悬浮胶囊发送当前屏幕提问 | 即问即答不进入后台屏 |
| 定时条件 | "明早九点提醒""每周五执行" | 在原会话中按时运行 |
| 文件计算 | 每会话一个 Linux 沙箱,跑 Python 与 shell | arm64 设备可用 |
| 语音 | 按住说话,可编辑后发送 | 用系统识别或厂商语音模型 |
| 跨设备 | 电脑上的 AI 工具经 CLI、Skill 或 MCP 派活 | 详见其 computer 文档 |
两组细节最见工程功力。其一是浏览器自律:内置浏览器遇到反爬封锁页会暂停并交给人类,"按自己的节奏访问"而不是硬闯——爬得动就爬、爬不动就求助,这条纪律比蛮力自动化实用得多。其二是当前屏幕模式:双击悬浮胶囊直接把正在看的屏幕发给模型,"这条消息我该怎么回"“把这段记下来"这类需求不需要开任务,一问就走。
技能与记忆系统让能力随使用增长:告诉它的偏好会被记住,完成过的任务会沉淀成技能,下次同类任务更快更稳——贡献指南里甚至列着"为某个应用补使用知识"的参与方式,纯文本即可,不需要写代码。
5、安全与隐私模型
一个能替你点按钮、付钱的 Agent,安全设计比功能清单更重要。Mika 的默认模式叫 Ask 模式:只在花钱(下单、支付)之前征求确认,其余动作直接执行;也可以切换为完全自主模式。决策流如下:
更硬的保障来自系统机制本身:支付与密码页面设置了禁止截屏标志,Mika 物理上"看不见"这些屏幕,只能请用户接管——安全不是靠提示语,而是靠能力边界。隐私层面同样干净:没有 Mika 服务器,对话内容与屏幕信息只发往你自己配置的模型厂商;API Key 与记忆在手机上加密存储,会话与运行记录留在本地,更新检查只连 GitHub。
免责声明也写得坦率:自动操作第三方应用与网站可能违反其服务条款,请自行判断;重要操作建议留在 Ask 模式并检查结果。这种把责任边界讲清楚的态度,在同类项目里并不多见。
6、上手与兼容
安装路径刻意做低门槛:Releases 下载 APK、设置里选模型填 Key,两步就能开始聊天与网页任务。要启用手机应用操作,按向导完成一次无线调试配对即可,完整流程如下:
机型要求分三档,如下表:
| 功能 | 系统要求 |
|---|---|
| 聊天、网页、文件 | Android 11 及以上 |
| 操作手机应用 | Android 12 及以上,推荐 14+ |
| Linux 沙箱 | arm64 设备 |
拿不准自己手机行不行,设置里的"恢复与修复"提供了十二项兼容性自检,一分钟出结果还能一键上报。文档方面,README 底部维护了带建议阅读顺序的文档索引,从安装到功能细节到免责声明一应俱全——还有一个彩蛋级设计:文档里准备了给电脑端 AI Agent 用的安装指引,让电脑上的 Agent 自己把 Mika 装到连着 USB 的安卓机上。
7、生态对比
放到 2026 年的个人 Agent 版图里看,Mika 的路线独特性更清楚,对比如下:
| 维度 | Mika | 云端 VM 型 | 桌面 Agent 型 | 手机沙箱型 |
|---|---|---|---|---|
| 执行位置 | 本机后台屏 | 厂商云虚拟机 | 个人电脑 | 手机内置 Linux |
| 操作真实应用 | 支持 | 受限 | 电脑应用 | 沙箱内程序 |
| 数据边界 | 仅模型厂商可见 | 出网到厂商 | 本机 | 本机 |
| 系统能力 | 闹钟日程文件全通 | 几乎不可达 | 视桌面环境 | 视实现 |
| 硬件要求 | 一台安卓机 | 无本地要求 | 一台电脑 | 一台安卓机 |
云端 VM 型看不见你的手机,手机沙箱型够不着真实应用,桌面型管不着移动端——Mika 卡住的位置恰好是"唯一能同时操作真实手机应用又不把数据交给 Agent 厂商"的生态位。当然代价也存在:算力受手机限制、模型依赖外部厂商、GUI 自动化的稳定性天然低于 API 调用。它与 SourceWeft 这类工作站型产品也是互补关系:一个管手机端的执行,一个管桌面端的研究与产出,Mika 的 CLI 与 MCP 接口正是为这种组合准备的。
8、总结
Mika 把手机 Agent 的三个难题各给了一个干净答案:屏幕之争用虚拟显示化解,免 root 自动化用无线调试通道打通,安全边界用"花钱必问加截屏禁区"守住,再以无服务器架构兜底隐私。对普通用户,建议从 Ask 模式起步,先跑通发消息与查资料这类低风险任务,再逐步放手;对开发者,它的后台屏交互与 ADB 助手方案是安卓自动化领域值得研究的工程样本;对行业观察者,这个项目提出的问题比答案更值得记下——当 GUI Agent 真正住进每个人的口袋,应用开放 API 这件事还有多重要?


