Mika
wangzan101/Mika加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个这样的场景：早上你在地铁上单手刷着手机，突然想起昨晚答应朋友"到家把上周那份合同发过去"。你不想切到微信翻聊天记录找文件再手动输入，但你也不想放下手机。
Mika 就是为这个场景生的。它不是一个需要你坐下来对话的聊天机器人，而是一个跑在你自己安卓手机里的 AI 智能体：你对它说一句话，它就退到一块你看不见的后台屏幕上，自己去开 App、找联系人、翻聊天记录、点按钮、打字、发消息，一直干到事情办完。而你手上的主屏幕还在正常刷抖音。
这个项目由独立开发者王赞（wangzan101）在 2026 年 10 月底开源，采用 Apache-2.0 协议，截至 2026 年 11 月初已在 GitHub 收获约 5200 星、1000 次 fork，成为近期开源 Phone Agent 赛道最受关注的项目之一。
市面上的手机智能体大多需要一台电脑在旁边做推理和执行，端侧的尝试也通常停留在"截图给模型 → 模型返回坐标 → 点击"的粗暴循环。Mika 的技术路线更有野心：把执行环境整个搬进手机自己的虚拟显示系统里。
它的核心机制有三条：
第一，无障碍服务（Accessibility Service）而不是 ADB。 项目内 app/src/main/java/com/wangzan101/mika/a11y/MikaAccessibilityService.kt 承担了界面元素读取与点击输入的职责。这条路的好处是不需要电脑、不需要 root、不需要开发者选项里的 USB 调试，每次任务都能自己完成一套"看屏幕—找按钮—点击"的循环。项目里甚至有专门的 ScreenAccessibility.kt 做节点缓存与失效重建，配套的 StaleNodeIdTest.kt 说明作者处理过无障碍节点过期这个经典难题。
第二，后台屏幕隔离。 通过 DisplayManager / VirtualDisplay 创建一块独立显示面并让应用在其中获得焦点，这样你在主屏打字时不会被智能体的操作打断——README 明确说明"Android 14+ 推荐，因为后台屏有独立焦点，不会干扰你在主屏输入"。这是 Mika 相对于 ADB 方案最大的体验差异。
第三，感知 + 决策 + 验证的闭环。 core/src/main/kotlin/.../core/agent/ 目录下是整个智能体的心脏：AgentLoop 负责主循环，ModelRouter 做多模型路由，SystemPrompt 定义行为约束，OutcomeJudge 与 JudgedOutcome 负责判断"任务到底完成了没有"，LearnGate 决定这次经验是否值得沉淀成技能，MemoryExtractor 把对话里的偏好抽出来存进长期记忆，FailKind 则把失败分类以驱动重试或换策略。core/agent 这个命名方式意味着核心逻辑是平台无关的纯 Kotlin 模块。
Mika 的能力清单覆盖得相当宽：
| 能力 | 说明 |
|---|---|
| 操作任意 App | 不依赖任何 App 私有 API，像人一样"看屏幕找按钮"；登录、验证码、支付会主动交还给你 |
| 内置浏览器 | 桌面级浏览器内核，保留登录态，能读页面、下载上传，遇到人机验证会交给你 |
| 当前屏幕提问 | 双击悬浮胶囊即可把眼前的屏幕丢给模型："这条该怎么回？" |
| 定时与条件触发 | "明天 9 点提醒我""每周五做这件事"，按原对话上下文执行 |
| 随时介入 | 任务运行中可以继续对话纠正方向；长按可撤回尚未开始的任务 |
| 语音输入 | 按住说话，调用系统语音识别或服务商语音模型，识别后可编辑再发 |
| Linux 沙箱 | 每个对话独立一个 arm64 Linux 沙箱，跑 Python / Node / shell 处理你发来的文件 |
| 电脑协同 | 通过 CLI + Skill 或 MCP，把手机端任务反向交给电脑上的 AI 智能体 |
内置知识库覆盖了微信、小红书、抖音、BOSS直聘、闲鱼、微博、知乎、淘宝系等 25 个 App 和 Amazon、豆瓣、Google Maps、YouTube 等 18 个网站，还包含"处理 PDF 文档""查清一件事""写技能"等 6 个 how-to 技能。模型侧预设了 DeepSeek、通义千问、Kimi、智谱、火山方舟、MiniMax、阶跃星辰、腾讯混元、百度千帆、OpenRouter、Anthropic、Gemini、OpenAI、xAI、Mistral、Groq、Ollama、LM Studio 等一长串服务商，也可以用自建的 OpenAI 兼容端点。
从 GitHub 语言统计看，这个仓库是 Kotlin 主导（1013 万字节），辅以 Python（13.7 万）、JavaScript（13 万）、Go（4.2 万）、HTML 和 C。
Android 主应用（app/ 模块）：Kotlin 2.1.20 + AGP 8.7.3 + Jetpack Compose（BOM 2024.12.01，Material 3），Gradle 版本目录 gradle/libs.versions.toml 统一管理依赖。关键第三方库包括 OkHttp 4.12（模型 API 与 CDP 通信）、kotlinx-serialization-json、kotlinx-coroutines、androidx-webkit 1.12.1（WebView 能力）、CommonMark 0.30.1（Markdown 渲染）、Google ML Kit Text Recognition 16.0.1（含中文识别，用于屏幕 OCR）、Conscrypt 2.7.0（TLS）、Apache Commons Compress 与 XZ（沙箱运行时解压），以及 OpenTelemetry Proto（运行轨迹上报）。
核心库（core/ 模块，434 个 Kotlin 文件）：core/model/ 抽象了 ModelProtocol、OpenAiCompatModel、AnthropicModel、GeminiModel、ResponsesModel 四类协议实现，ModelCatalog 负责模型列表拉取，PromptCaching 处理提示词缓存，ToolSpec 定义工具调用规格，UsageSink/metered 做 token 计量。core/agent/ 是决策循环，core/cap/ 分 phone/web/sandbox 三类能力（分别是手机控制、网页操作、沙箱执行），core/shell/ 管理辅助进程，core/memory/ 是记忆层，core/skills/ 负责技能生成。
代码结构：主源码按业务域切分为 30 余个包——a11y（无障碍）、browser（浏览器）、cap（能力层）、capsule（悬浮胶囊）、chat（对话）、confirm（确认）、device（设备访问）、knowledge（应用知识）、mcp（MCP 集成）、memory（记忆）、record/replay（运行记录与回放）、sandbox（Linux 沙箱）、shell（辅助进程）、skills（技能）、task（任务编排）、takeover（人工接管）、vision（图像处理）、voice（语音）、web（网页能力），UI 层在 ui/ 下有 60 余个 Compose 屏幕与组件。
测试：仓库含 783 个测试相关文件，包含大量 *DeviceTest.kt（真机设备测试）、androidTest 下的 Compose UI 测试与 EvalProbes，以及 eval/tasks/ 目录下按能力划分的评测任务集（barrier、impossible、irreversible、memory、read、skills、web、write 八类）——后者专门测试"不可逆操作""不可能完成的任务"这类边界情况，说明作者有意识地把安全性和拒答能力纳入评测。
Mika 不是孤立的 App，它自己带了一套"从电脑到手机"的完整链路：
tools/mika/：Python 编写的命令行客户端（mika-phone-cli），同时带一个 mika_desk 包，内含 HTML/CSS/JS 的桌面面板，可以从电脑给手机派任务。tools/relay/：Go 编写的远程网关（gateway.go、main.go、store.go），带完整的 Dockerfile——Go 1.27.3 构建阶段跑 go test ./... 再编译，Caddy 2.11.7 阶段校验配置，最终以 scratch 基础镜像运行、非 root 用户（UID 10001）启动，暴露 8787 端口，配套 compose.yaml 与 compose.nginx.yaml 编排文件。这让手机在没有公网入口时也能被电脑端的智能体远程调用。tools/sandbox/：构建 arm64 Linux 沙箱运行时的脚本与源码锁定（sources.lock），让手机本地能跑真正的 Python/Node/shell。MCP 支持分三种模式：局域网监听、USB 监听、经 relay 网关出站连接，统一由 McpRuntime.kt 与 core/mcp/McpRpc 承载，同一套任务协议对外暴露。
这里必须说清楚：Mika 的"部署"跟大多数服务器软件完全不同。
没有 Dockerfile 的一键启动体验。 主应用是标准 Android APK，从 GitHub Releases 下载安装（当前版本 v0.1.34，提供通用包与 arm64 包），走的是传统移动应用分发链路。只有可选的 relay 网关是容器化的。
手机型号有硬门槛。 README 明确列出：聊天/网页/文件需要 Android 11+；操作手机 App 需要 Android 12+，推荐 Android 14+（后台屏焦点隔离的效果依赖此）；Linux 沙箱需要 arm64 设备。这不是"装个 apk 就能跑"的无门槛项目。
需要配对无线调试。 因为走的是无障碍 + 后台屏方案，任务执行需要一次无线调试配对（也可从电脑通过 USB 启动手机助手）。Android 在切换 Wi-Fi 或重启后会关闭无线调试，Mika 在获得授权后可自动重新打开。
屏幕安全边界有产品级设计。 支付页和密码输入页会屏蔽截图与无障碍读取，这类场景 Mika 主动把控制权交还给用户（Mika 内叫"接管"takeover），配合 confirm/ 模块的确认通知器和 Ask/Autonomous 两种模式（Ask 模式只在涉及花钱时确认）。
生态与合规风险是真实的。 自动操作第三方 App 和网站可能违反其服务条款，README 自己把这一点写进了免责声明，并建议重要操作用 Ask 模式人工复核。对企业内网合规场景尤其如此。
"接入即信任"的代价。 模型 API key 和记忆以加密形式存在手机本地，对话与运行记录不上云（无 Mika 服务器，更新检查只连 GitHub）——隐私设计相当克制。但注意，作者同时提供 OpenRouter / xAI / ChatGPT 账号直连登录路径，数据流向实际上由用户选择的服务商决定。
权限要求高。 无障碍服务 + 屏幕捕获 + 后台运行 + 网络，是典型的"高权限换能力"组合。开源代码能审，但装到自己主力机上仍是需要权衡的决定。
迭代极快。 仓库从 2026-10-29 创建到 11 月初已发布 30+ 个版本，代码树超过 2500 个文件。速度快意味着文档跟不上、bug 修复与功能引入交织，长期可维护性尚待观察。
生态位竞争激烈。 同类项目有 zai-org/Open-AutoGLM（多模态手机智能体，偏 ADB/云端路线）和 OpenDroid（本地/远程大模型 + 无障碍服务，自主规划执行验证修正）。Mika 的差异化优势是"纯端侧 + 后台屏隔离 + 无需电脑"，但这也让它在需要强推理能力的任务上更依赖用户自己提供的模型。
Mika 代表的趋势是手机智能体从"云端遥控"走向"端侧自持"。过去两年手机智能体的主流范式是：手机截图 → 上传云端 → 大模型推理 → 坐标回传 → ADB 点击。Mika 用三件事改写了这条链路：把执行环境放进手机自身的虚拟显示系统、用无障碍服务替代 ADB、把推理入口开放给 20 多家模型服务商。
core/agent/AgentLoop + OutcomeJudge + LearnGate + SkillDrafter 这套组合尤其值得注意——它试图让智能体从完成的任务中自动沉淀技能，实现"越用越顺手"。README 里的原话是："记住你告诉它的偏好，把完成的任务变成技能，下次更快更稳。"
从这个角度看，Mika 的价值不完全在于代码本身，而在于它证明了一件事：一台普通安卓手机，加上一个足够好的提示词工程和运行时编排，就足以承载一个可用的通用手机智能体。 2000 多行的模型协议适配层、34 个业务包、783 个测试文件——这套投入规模也反向说明，把"AI 真正动手"这件事做稳，所需的工作量远大于一次 API 调用。
项目信息