这些信号指向统一个趋向：AI 不再只是谈天框里的回覆者
，而是在进动手机这个最日常、最复杂、也最具状态性的推算环境。 腾讯混元牵头
，结合 The Chinese University of Hong Kong、The Chinese University of Hong Kong, Shenzhen、Tsinghua University等机构的最新钻研 PhoneHarness:A Mixed-Action Orchestration Harness and Benchmark for Phone Agents across CLI, GUI, and MCP Tools 关注一个更基础的问题：当 AI 真在手机上行动
，我们若何让它真正实现工作
，并验证它的确实现了？ 手机 Agent 的主题不只是「更会点屏幕」
，而是能凭据工作选择 CLI、GUI、MCP 工具等相宜的行动面；真实手机 workflow 必要可验证的副作用：文件是否天生、设置是否扭转、邮件 / 日历对象是否真的创建
，都不能只靠模型口头回覆；PhoneHarness 提供 mixed-action 执行 harness；PhoneHarness Bench 则用 trace、系统状态、App 了局和安全战术评估工作是否真的实现。 在好多手机 Agent 评测里
，工作被拆成一连串 GUI 操作。模型观察屏幕
，决定下一步点哪里、滑哪里、输什么。若是最后 UI 状态看起来对
，就算工作实现。 把手机工作当作跨 CLI、GUI、MCP 工具的齐全 workflow；评估沉点不是「看起来实现」
，而是副作用是否真实产生、trace 是否可审计；更适合系统设置、文件、搜索、邮件、日历和跨 App 工作。 例如
，「查一个 App 内的信息
，再结合网页搜索补充布景
，并整顿成邮件」这类工作
，不是一个更长的点击链。它同时蕴含 App 内 GUI 交互、表部信息检索、文本处置、邮件副作用
，以及最终了局验证。 若是评测只看最终回覆
，就会漏掉最关键的问题：模型到底有没有查对起源、有没有真的创建文件、有没有真的发出邮件、有没有绕过了应该被确认的高风险操作？ 主题判断：PhoneHarness 的启程点很直接：手机 Agent 的评测不能只问「它会不会点屏幕」
，而要问「它能不能在真实手机环境里把一件事做完
，并留下可验证证据」。 关键区别：问题不是「纯 GUI 理论上能不能做」
，而是「纯 GUI 是否是靠得住、高效、可验证的作为抽象」。真实手机 workflow 往往同时逾越系统状态、App 界面、文件、网页、邮件、日历和安全天堑。GUI 是沉要入口
，但不应该是唯一入口。 因而
，mixed-action 不是给 GUI agent 加几个表挂工具
，而是让 agent 在执行过程中为分歧子指标选择相宜的 action surface：能用确定生号令读取状态
，就不用反复点设置页；必须进入 App 内实现交互时
，才交给 GUI；必要表部信息、文件处置或了局复核时
，则挪用 host-side tools 或 verifier。 这意味着
，PhoneHarness 里的 agent 不用把所有工作都硬塞进 GUI 点击链。它能够判断：什么时辰该走系统号令
，什么时辰该交给 GUI worker
，什么时辰该挪用搜索、文档、邮件、日历等工具。 这种设计更靠近 AI 手机时期的真实需要。AI 手机不是「在手机里放一个谈天机械人」
，而是让智能体能在复杂手机环境里理解指标、选择行动、执行工作
，并产生可查抄的了局。 PhoneHarness Bench 成立在 PhoneHarness 之上
，不把工作写成抽象问答题
，而是写成一段能够执杏注纪录和复核的 phone workflow。Agent 在执行过程中会留下截图、CLI / MCP 操作、文件变动、系统状态和 App 侧了局；benchmark 再通过 task-specific verifier 判断工作副作用是否真实产生。 Bench 的关键：PhoneHarness Bench 不问「模型有没有说自己做完」
，而是看「工作证据链是否支持它真的做完」。这也是它区别于纯问答式评测和纯 GUI 状态评测的关键。 每个 PhoneHarness Bench task 都蕴含一个用户指标、一组可挪用行动面
，以及一个面向副作用的 verifier。这样
，benchmark 评估的不是单步 GUI 操作
，而是齐全 workflow：工作输入、agent loop、混合作为执杏注trace 纪录、了局验证和失败归因。 这条链路让失败不再只是一个抽象的「没做对」。我们能够进一步分辨：是表层 controller 没有规划好
，是 GUI worker 没有点对
，是工具挪用失败
，是环境不不变
，还是 verifier 没有看到预期副作用。 PhoneHarness 的收益重要来自那些存在确定性蹊径、工具辅助蹊径或可验证副作用的工作。好比设备状态查问、文件处置、网页检索、日历 / 邮件 / 文档有关 workflow
，以及必要跨行动面组合的手机工作。 尝试解读：这个结论反而更沉要：手机智能体的未来不是「把 GUI 点击模型做得更大」
，而是要让 agent 学会选择相宜的行动面
，并让每一步执行都能被验证。 若是说从前手机 Agent 的竞争更像「谁更会看屏幕点按钮」
，那么 AI 手机时期真正沉要的问题会造成：谁能把真实手机 workflow 做完
，谁能留下可信证据
，谁能在安全天堑内不变执行。 AI 手机不是单一地把大模型塞进系统。它意味着手机从 App-centric device 走向 Agent-centric device：用户表白指标
，agent 掌管选择蹊径、挪用工具、操作 App
，并实现可验证的了局。 一句话总结：AI 手机时期
，关键问题不只是模型能不能理解屏幕
，而是它能否在真实手机环境里选择正确行动面、实现可验证工作
，并留下可审计的执行轨迹。