这些信号指向统一个趋势：AI 不再只是谈天框里的回覆者，，，，，，而是正在进入手机这个最一样平常、最重大、也最具状态性的盘算情形。。。。。。 腾讯混元牵头，，，，，，联合 The Chinese University of Hong Kong、The Chinese University of Hong Kong, Shenzhen、Tsinghua University等机构的最新研究 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 真正在手机上行动，，，，，，我们怎样让它真正完成使命，，，，，，并验证它确实完成了？？？？？？？ 手机 Agent 的焦点不但是「更会点屏幕」，，，，，，而是能凭证使命选择 CLI、GUI、MCP 工具等合适的行动面；；；；真实手机 workflow 需要可验证的副作用：文件是否天生、设置是否改变、邮件 / 日历工具是否真的建设，，，，，，都不可只靠模子口头回覆；；；；PhoneHarness 提供 mixed-action 执行 harness；；；；PhoneHarness Bench 则用 trace、系统状态、App 效果和清静战略评估使命是否真的完成。。。。。。 在许多手机 Agent 评测里，，，，，，使命被拆成一连串 GUI 操作。。。。。。模子视察屏幕，，，，，，决议下一步点那里、滑那里、输什么。。。。。。若是最后 UI 状态看起来对，，，，，，就算使命完成。。。。。。 把手机使命看成跨 CLI、GUI、MCP 工具的完整 workflow；；；；评估重点不是「看起来完成」，，，，，，而是副作用是否真实爆发、trace 是否可审计；；；；更适合系统设置、文件、搜索、邮件、日历和跨 App 使命。。。。。。 例如，，，，，，「查一个 App 内的信息，，，，，，再连系网页搜索增补配景，，，，，，并整理成邮件」这类使命，，，，，，不是一个更长的点击链。。。。。。它同时包括 App 内 GUI 交互、外部信息检索、文本处置惩罚、邮件副作用，，，，，，以及最终效果验证。。。。。。 若是评测只看最终回覆，，，，，，就会遗漏最要害的问题：模子究竟有没有核对泉源、有没有真的建设文件、有没有真的发出邮件、有没有绕过了应该被确认的高危害操作？？？？？？？ 焦点判断：PhoneHarness 的起点很直接：手机 Agent 的评测不可只问「它会不会点屏幕」，，，，，，而要问「它能不可在真实手机情形里把一件事做完，，，，，，并留下可验证证据」。。。。。。 要害区别：问题不是「纯 GUI 理论上能不可做」，，，，，，而是「纯 GUI 是否是可靠、高效、可验证的行动笼统」。。。。。。真实手机 workflow 往往同时跨越系统状态、App 界面、文件、网页、邮件、日历和清静界线。。。。。。GUI 是主要入口，，，，，，但不应该是唯一入口。。。。。。 因此，，，，，，mixed-action 不是给 GUI agent 加几个外挂工具，，，，，，而是让 agent 在执行历程中为差别子目的选择合适的 action surface：能用确定性下令读取状态，，，，，，就不必重复点设置页；；；；必需进入 App 内完成交互时，，，，，，才交给 GUI；；；；需要外部信息、文件处置惩罚或效果复核时，，，，，，则挪用 host-side tools 或 verifier。。。。。。 这意味着，，，，，，PhoneHarness 里的 agent 不必把所有使命都硬塞进 GUI 点击链。。。。。。它可以判断：什么时间该走系统下令，，，，，，什么时间该交给 GUI worker，，，，，，什么时间该挪用搜索、文档、邮件、日历等工具。。。。。。 这种设计更靠近 AI 手机时代的真实需求。。。。。。AI 手机不是「在手机里放一个谈天机械人」，，，，，，而是让智能体能在重大手机情形里明确目的、选择行动、执行使命，，，，，，并爆发可检查的效果。。。。。。 PhoneHarness Bench 建设在 PhoneHarness 之上，，，，，，不把使命写成笼统问答题，，，，，，而是写成一段可以执行、纪录和复核的 phone workflow。。。。。。Agent 在执行历程中会留下截图、CLI / MCP 操作、文件转变、系统状态和 App 侧效果；；；；benchmark 再通过 task-specific verifier 判断使命副作用是否真实爆发。。。。。。 Bench 的要害：PhoneHarness Bench 不问「模子有没有说自己做完」，，，，，，而是看「使命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 状态评测的要害。。。。。。 每个 PhoneHarness Bench task 都包括一个用户目的、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，，，，，，而是完整 workflow：使命输入、agent loop、混淆行动执行、trace 纪录、效果验证和失败归因。。。。。。 这条链路让失败不再只是一个笼统的「没做对」。。。。。。我们可以进一步区分：是外层 controller 没有妄想好，，，，，，是 GUI worker 没有点对，，，，，，是工具挪用失败，，，，，，是情形不稳固，，，，，，照旧 verifier 没有看到预期副作用。。。。。。 PhoneHarness 的收益主要来自那些保存确定性路径、工具辅助路径或可验证副作用的使命。。。。。。好比装备状态盘问、文件处置惩罚、网页检索、日历 / 邮件 / 文档相关 workflow，，，，，，以及需要跨行动面组合的手机使命。。。。。。 实验解读：这个结论反而更主要：手机智能体的未来不是「把 GUI 点击模子做得更大」，，，，，，而是要让 agent 学会选择合适的行动面，，，，，，并让每一步执行都能被验证。。。。。。 若是说已往手机 Agent 的竞争更像「谁更会看屏幕点按钮」，，，，，，那么 AI 手机时代真正主要的问题会酿成：谁能把真实手机 workflow 做完，，，，，，谁能留下可信证据，，，，，，谁能在清静界线内稳固执行。。。。。。 AI 手机不是简朴地把大模子塞进系统。。。。。。它意味着手机从 App-centric device 走向 Agent-centric device：用户表达目的，，，，，，agent 认真选择路径、挪用工具、操作 App，，，，，，并完成可验证的效果。。。。。。 一句话总结：AI 手机时代，，，，，，要害问题不但是模子能不可明确屏幕，，，，，，而是它能否在真实手机情形里选择准确行动面、完成可验证使命，，，，，，并留下可审计的执行轨迹。。。。。。