逛逛在 11 月发了一篇文章，盘点了 GitHub 上 AI 操纵手机的开源项目。
获得了 3 万多阅读，3000 多人转发收藏：
没想到那篇文章发布 5 天后，豆包就官宣推出了 AI 手机，紧接着智谱 AI 就开源了 AutoGLM 模型。
我又搜罗了几个 AI 操作手机的开源项目，再加上我之前发的那篇。整个 GitHub 上关于 AI 控制手机的项目算是被逛逛搜刮干净了。
欢迎收藏转发👏
01
智谱开源：Open-AutoGLM
这个开源项目太顶了，不到一周就 1.3 万的 Star 了。
基于这个开源框架，就能让 AI 可以像人眼一样看手机屏幕，然后像人手一样去点击。
你给它一个任务，比如：帮我总结下长春的景点，到高德地图上收藏一下这几个景点，特别是具体看看博物馆门票价格，再去12306上订一张上午十点从北京去长春的高铁票，把相关信息整理好给我。
AutoGLM 会先把手机屏幕截个图，模型会分析截图，通过视觉定位找到当前要点击哪个按钮或者做啥操作。
并通过 ADB（Android Debug Bridge）工具，直接向手机发送点击、滑动、输入文字的指令。
最终这样一步步模拟人看手机、操纵手机的行为，完成你给的任务。
开源地址：https://github.com/zai-org/Open-AutoGLM而且这个开源可以本地部署，而且如果你有显卡，大约需要 24GB+ 显存，你可以把这个 Agent 跑在本地。
隐私数据，比如聊天记录、支付画面啥的不上传到云端也能自动化的你的安卓手机了。
如何使用
你可以使用Claude Code，配置 GLM Coding Plan 后，输入以下提示词，快速部署本项目。
访问文档，为我安装 AutoGLM ：https://raw.githubusercontent.com/zai-org/Open-AutoGLM/refs/heads/main/README.md02
通过 MCP 控制手机：DroidMind
DroidMind 这个开源项目的的核心逻辑是不自己训练一个新模型，而是做一个超级适配器。
它通过 MCP 协议，把你的Android 手机直接挂载到Claude Desktop、Cursor或者 ClaudeCode上。
你不需要运行一个沉重的本地模型。
你直接用最聪明的Claude 或 Gemini，通过 DroidMind 这个翻译官，直接操控你的安卓手机。
开源地址：https://github.com/hyperb1iss/DroidMind03
微软开源：UFO
这个叫 UFO 的开源项目其实是微软开源的 AI 操作 Windows 系统的开源项目。
只不过 11 月推出的 UFO³ Galaxy 已经演变成了一个跨设备、跨平台的编排框架。
UFO³ Galaxy涉及到操纵Android 手机设备的部分是这次更新的核心亮点之一。
它也是通过引入MCP 架构来实现的，这使得 UFO 不再局限于 Windows，而是能像指挥官一样控制安卓手机。
UFO³ Galaxy是一个多设备编排系统。它的核心理念包含两个部分。
Galaxy (星系)：整个控制中枢，负责分发任务。
Constellation (星座)：它将一个复杂的用户指令，比如把手机上的刚拍的照片传到电脑并用 Photoshop 编辑，拆解成一个 DAG（有向无环图）。
Windows 电脑、Linux 服务器、Android 手机等都作为独立的节点接入这个网络。
开源地址：https://github.com/microsoft/UFO04
字节开源：UI-TARS
字节跳动开源的一个基于视觉-语言模型（VLM）的 GUI 智能体（Agent）项目。
它的核心目标是让 AI 像人类一样，通过视觉识别屏幕和操作鼠标/键盘/触控，直接控制手机、计算机或网页。
安卓手机设备操纵，UI-TARS 采用了一种端到端、纯视觉驱动、基于 ADB的控制方案。
也是截取手机屏幕画面，把截图输入给视觉模型，模型结合用户的指令分析屏幕上的元素，决定下一步做什么。
最后模型输出具体的动作指令，转化为底层的 Android ADB 命令发送给手机执行。
开源地址：https://github.com/bytedance/UI-TARS另外之前发布的另外一个盘点 AI 控制手机开源项目的链接如下，感兴趣的可以去看看：
5 个 AI 操纵手机的 GitHub 项目，牛逼了。
05
点击下方卡片，关注逛逛 GitHub
这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了：
