type: concept tags: [agent, smartphone, system-design, mobile, native, gui-agent, agentic, runtime, EuroMLSys] related: [[secagent-mobile-gui]], [[pspa-bench-gui-agent]], [[gui-agent-privacy]], [[mga-memory-gui-agent]] sources: - url: https://arxiv.org/abs/2602.22942v2 title: "ClawMobile: Rethinking Smartphone-Native Agentic Systems (EuroMLSys 2026)" date: 2026-04-11 reliability: high - url: https://github.com/ClawMobile/ClawMobile title: "ClawMobile 开源实现" date: 2026-04 reliability: high created: 2026-04-14 updated: 2026-04-14
ClawMobile: 重新思考智能手机原生 Agent 系统¶
EuroMLSys 2026 | 作者: Hongchao Du, Shangyu Wu 等 (MBZUAI / CityU HK) | 开源: https://github.com/ClawMobile/ClawMobile
核心问题¶
手机端 Agent 面临独特挑战——受限执行上下文、碎片化控制接口、快速变化的应用状态。
现有方法的矛盾：UI 交互覆盖面广但对 UI 漂移和时序敏感；Tool/API 控制更稳定但跨 App 能力不足。真实世界移动 Agent 失败往往因为执行被设备多变条件打断，而非规划能力不足。
系统架构¶
分层架构，显式分离高层语言推理与底层设备执行。三大组件：
Agent Orchestrator（编排器）¶
- 顶层推理循环：将用户输入转化为可执行计划
- 不直接操作界面，通过工具调用与 Control Backends 交互
- 每次执行后重新查询设备状态验证进度
Control Backends（控制后端）¶
| 后端类型 | 特点 | 适用 |
|---|---|---|
| 确定性 (ADB, Termux API) | 语义确定，成本低 | 优先使用 |
| UI Agent | 语义理解屏幕，灵活但不确定 | 确定性路径不足时 |
| 直接 UI 控制 | 底层操作，覆盖广但语义弱 | 兜底 |
原则：确定性优先——先结构化控制，再概率性 UI 推理。
Memory（记忆）¶
- 提供移动端知识、执行偏好，影响后端选择
- 与任一后端解耦
执行感知调度¶
调度是迭代过程： 1. Orchestrator 生成计划 → 查询 Memory 确认 API 2. 确定性后端 → UI Agent → 直接 UI 控制（依次升级） 3. 执行后验证设备状态 4. 未完成 → 重新规划，继续循环
关键创新：每个调用有明确预期结果，执行后重查设备状态验证。
实验结果¶
Google Pixel 9 (Android 16)，GPT-5.2，对比 DroidRun (DR)：
| App | 任务 | 完成率 DR/CM | 耗时/s DR/CM |
|---|---|---|---|
| Settings | 暗色主题 | 100/100 | 26/21 |
| Chrome | 搜索金价 | 73/100 | 26/67 |
| Play | 安装小红书 | 33/100 | 29/117 |
| YouTube | 播放MV跳广告 | 100/100 | 66/88 |
| YouTube | MV评论留言 | 85/100 | 121/235 |
| 跨App | 搜英超写摘要 | 73/100 | 60/145 |
ClawMobile 6/6 任务 100% 完成，DroidRun 在复杂任务失败。代价是平均慢 57.5 秒。
失败案例分析¶
DroidRun 跨 App 搜索的 3 种失败： 1. 异步启动 — Chrome 启动慢，误判失败 2. 歧义 UI — 点搜索框误触历史记录 3. 错误成功检测 — Notes 未创建笔记就判定完成
ClawMobile 缓解：每次操作后重查状态、检测启动中等待、失败时重新评估选替代后端。
三大研究挑战¶
⚡ 效率¶
- 高效状态表示（增量更新替代全量序列化）
- 混合调度（确定性 vs 概率性的成本 × 可靠性）
- 模型部署（云端延迟 vs 端侧硬件限制 → 混合策略）
🔄 适应性¶
- 技能抽象（从轨迹提取可复用技能）
- 分层记忆（短期上下文 vs 长期技能）
- 领域专业化
🛡️ 稳定性¶
- 显式进度验证 + 容错恢复
- 隐私保护（有界日志、权限仲裁）
为什么重要¶
将移动 Agent 视为运行时系统问题而非算法问题。与 [[apple-intelligence]] App Intents、小米 HyperAI 系统级集成思路一致——Agent 不应是外挂，应是 OS 一部分。
关联¶
- [[secagent-mobile-gui]] — 语义增强 GUI Agent
- [[mga-memory-gui-agent]] — 记忆驱动（解决适应性 RQ2）
- [[pspa-bench-gui-agent]] — 个性化评估
- [[gui-agent-privacy]] — 隐私保护（解决稳定性 RQ3）
- [[turing-test-mobile-gui]] — 拟人化基准
- [[edgeflow-cold-start]] — 冷启动（解决效率 RQ1）