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。