肉包（Roubao）：无需电脑的开源AI手机自动化助手，自然语言操控全场景任务
一、肉包（Roubao）是什么
肉包（Roubao）是一款完全开源、纯Android原生运行、无需电脑辅助的AI手机自动化助手，由开发者Turbo1123基于Kotlin语言开发，遵循MIT开源协议发布。它的核心定位是：让普通用户不写代码、不连电脑、不配置复杂环境，仅用自然语言就能指挥手机自动完成点外卖、发消息、查信息、发动态、跨应用协作等一系列高频操作。
该项目诞生的初衷，是为了打破商业AI手机助手的设备与价格壁垒，同时解决传统开源自动化工具依赖电脑、ADB命令、Python脚本、技术门槛高、普通用户无法使用的痛点。肉包将视觉语言模型（VLM）能力、多Agent智能决策、系统级操作权限整合在单一App内，实现“截图→分析→决策→执行”全流程本地运行，把AI自动化能力真正下放给每一位安卓用户。
从技术本质来看，肉包是对阿里MobileAgent、AutoGLM等自动化框架的移动端原生重构，它剥离了PC依赖，采用Shizuku权限框架获取系统操作能力，搭配Skills+Tools双层智能架构，让手机具备“看懂屏幕、理解意图、自主操作”的类人执行能力。
与闭源高价的商业AI手机助手不同，肉包100%开源、免费、无广告、无内购，用户可自由修改、编译、分发，也可根据自身需求对接不同VLM模型，实现高度私有化与定制化。它不是简单的脚本自动化，而是具备任务规划、步骤拆解、异常处理、执行反思的智能体（Agent），能够处理多步骤、跨页面、跨应用的复杂链式任务。
截至当前版本（v1.4.2），肉包已在GitHub获得大量开发者关注，支持市面主流Android定制系统，兼容通义千问、GPT-4V、Claude、Ollama本地模型等多种后端，是目前移动端最成熟、门槛最低、生态最开放的AI自动化开源项目之一。
二、功能特色
肉包的核心竞争力集中在零门槛、全原生、高智能、强兼容、可定制五大维度，相比传统自动化工具与商业闭源产品，具备不可替代的优势。
（一）核心功能
自然语言指令接收
用户只需用日常说话的方式输入任务，例如“帮我点一份附近的麻辣烫”“给微信好友发送今天的截图”“打开抖音查看热门视频并点赞”，肉包自动理解意图并规划执行路径。屏幕视觉理解
借助VLM视觉语言模型实时分析屏幕内容，识别按钮、输入框、文字、图片、页面状态，像人一样“看懂”手机界面，不依赖控件ID与布局解析，适配所有App界面变化。全系统模拟操作
支持模拟点击、滑动、输入文字、长按、返回、主页、打开应用、复制粘贴、调用系统相机、执行Shell命令等全套系统操作，覆盖人工使用手机的全部动作。多步骤任务自动执行
可自主拆解复杂任务为原子步骤，按逻辑顺序执行，遇到页面加载、弹窗、验证步骤会自动等待与处理，具备基础的异常重试与执行反思能力。多模型自由切换
内置通义千问、GPT-4V、Claude、Ollama本地模型等多种VLM接口，用户只需填写API Key即可一键切换，不绑定任何厂商云服务，支持私有化部署。执行记录与日志查看
自动保存任务执行历史，展示成功/失败状态、执行步骤、耗时、错误原因，支持手动删除与批量管理，方便用户排查问题与复现任务。轻量化无侵入
安装包体积小，不占用大量内存，不强制ROOT，不修改系统分区，不收集用户隐私数据，所有任务逻辑与截图分析均在本地完成。
（二）特色优势对比
| 对比维度 | 肉包（Roubao） | 传统开源自动化（如基于Python+ADB） | 商业AI手机助手 |
|---|---|---|---|
| 是否需要电脑 | 不需要 | 必须连接电脑 | 不需要 |
| 是否需要ROOT | 不需要 | 部分需要 | 不需要 |
| 运行环境 | 手机本地原生 | PC端运行，手机仅作为被控端 | 手机系统级内置 |
| 开发语言 | Kotlin（Android原生） | Python/Shell | 闭源原生 |
| 开源程度 | 全量开源（MIT） | 部分开源 | 完全闭源 |
| 使用门槛 | 安装即用，配置API Key | 需编程基础、ADB调试 | 购买指定设备 |
| 模型定制 | 支持多模型/本地模型 | 需自行对接 | 仅内置官方模型 |
| 价格成本 | 完全免费 | 免费但学习成本高 | 设备价格高 |
（三）体验亮点
纯移动端闭环：从指令输入到任务完成，全程不离开手机，打破PC依赖。
Material3设计：界面现代化，支持深色/浅色模式，动画流畅，操作直观。
权限安全可控：基于Shizuku授权，用户可随时收回权限，隐私可控。
低性能消耗：后台占用低，执行任务时不会导致手机明显发热卡顿。
开箱即用：无复杂初始化流程，新手1分钟内可完成基础配置。
三、技术细节
肉包的技术架构清晰、模块化程度高，是移动端AI Agent工程化落地的典型实践，整体采用分层解耦、智能调度、权限隔离、本地优先的设计理念。
（一）整体技术栈
开发语言：Kotlin（Android原生）
核心框架：Shizuku（系统权限）、MobileAgent-v3（Agent逻辑）
AI能力：视觉语言模型（VLM）通用接入层
界面设计：Material You（Material3）
数据存储：本地JSON文件（轻量存储）
权限方案：Shizuku+无障碍服务（混合权限模式）
支持系统：Android 8.0及以上
（二）四层架构设计
Agent智能层
包含任务规划器（Manager）、执行器（Executor）、反思器（Reflector）三大组件，负责接收用户指令、拆解任务、判断执行条件、处理异常、复盘执行结果，是肉包的“大脑”。Skills技能层
面向用户意图的封装层，分为两种执行模式：
委托模式：高置信度任务直接通过DeepLink跳转到对应App功能页，速度最快。
GUI自动化：无直达入口时，启动“截图→分析→操作”循环，模拟人工完成。
Tools工具层
原子化操作能力集合，所有底层操作被封装为独立Tool，由ToolManager统一调度，包括：
系统操作：tap、swipe、input、back、home、openApp
数据交互：clipboard、shell、http
辅助能力：screenCapture、appSearch、waitFor
系统控制层
基于Shizuku实现免ROOT系统权限，获取截图、坐标点击、模拟输入等能力，替代传统ADB，保证兼容性与安全性。
（三）核心执行流程
用户输入自然语言指令 → Agent接收并意图识别 → 规划执行步骤 → 调用Tools层执行操作 → 截图回传VLM分析 → 决策下一步 → 循环直至任务完成 → 生成执行日志。
（四）关键技术点
VLM视觉理解
不依赖UI自动化框架，直接通过图像识别理解界面，适配所有App版本与界面变化。无ADB控制
用Shizuku实现系统级操作，普通用户无需电脑即可授权。双层技能体系
Skills处理业务意图，Tools处理原子操作，解耦让扩展更简单。执行反思机制
每一步执行后校验结果，失败自动重试或调整策略，提升成功率。多模型适配器
统一VLM接口层，用户切换模型只需修改配置，无需改动核心逻辑。
（五）代码结构（核心目录）
app/src/main/java/com/roubao/autopilot/ ├── agent/ # 多Agent核心：规划、执行、反思 ├── tools/ # 原子工具集：点击、滑动、打开应用等 ├── skills/ # 技能层：意图匹配与任务编排 ├── controller/ # 设备控制：Shizuku、截图、权限 ├── vlm/ # 视觉模型接口：多厂商适配 ├── ui/ # 页面：首页、日志、设置 ├── data/ # 存储：执行记录、配置 └── App.kt # 应用入口
四、应用场景
肉包面向普通用户、效率爱好者、开发者、无障碍需求人群四类群体，覆盖日常生活、办公、娱乐、创作等全场景。
（一）日常生活场景
外卖/购物自动化
自然语言指令：“帮我在美团点一份xx店的炸鸡”，自动打开App→搜索店铺→选择商品→提交订单。社交消息发送
“给微信好友xx发送我刚保存的截图”，自动找截图→打开聊天页→发送图片。娱乐内容操作
“打开B站播放今日热门视频并投币点赞”，全自动完成互动操作。
（二）办公效率场景
文件传输与整理
自动把下载文件移动到指定目录，或发送到钉钉/企业微信。信息查询与汇总
“查今天的天气并发送到家庭群”，自动获取信息→编辑→发送。定时任务辅助
配合系统闹钟，每天固定时间自动打开考勤App打卡。
（三）无障碍辅助场景
针对手部不便、视力障碍用户，通过语音转文字+肉包自动化，实现手机全功能操作，降低身体限制带来的使用门槛。
（四）开发者调试场景
开发者可用于App自动化测试，连续执行点击、输入、返回等操作，验证界面稳定性与流程正确性。
（五）批量操作场景
批量给图片添加水印并发布到社交平台
批量清理手机截图与缓存文件
批量导出聊天记录或文件
肉包的能力不局限于预设场景，只要是人能用手完成的手机操作，理论上都可用自然语言交给肉包自动执行。
五、使用方法
（一）前置条件
设备：Android 8.0及以上手机
权限：安装并激活Shizuku（无需ROOT）
AI配置：一个可用的VLM API Key（推荐通义千问）
（二）安装步骤
从GitHub仓库Release页下载最新APK
允许安装未知来源应用
打开肉包，按提示授权：无障碍、悬浮窗、文件、截图
激活Shizuku并授权肉包
进入设置页填写VLM API Key
（三）基础使用流程
打开肉包主页
在输入框输入自然语言任务
点击开始执行
等待自动完成，查看实时日志
在历史页查看执行记录
（四）指令示例（可直接复制使用）
帮我打开网易云音乐播放每日推荐歌单
把我相册最后一张图片发到微信朋友圈
查询今天成都的天气并告诉我
打开抖音，滑动3个视频并点赞
在淘宝搜索无线蓝牙耳机，按销量排序
（五）开发者构建方法
克隆仓库：git clone https://github.com/Turbo1123/roubao.git
用Android Studio打开
连接设备或启动模拟器
运行./gradlew assembleDebug编译
运行./gradlew installDebug安装
六、常见问题解答（FAQ）
Q：肉包需要ROOT权限吗？
A：不需要，肉包基于Shizuku框架实现系统操作，普通用户无需ROOT即可使用。
Q：使用肉包必须连接电脑吗？
A：完全不需要，肉包是纯手机端运行的App，安装配置后即可独立使用。
Q：肉包支持哪些AI模型？
A：支持通义千问、GPT-4V、Claude、Ollama本地模型等主流视觉语言模型，可在设置内自由切换。
Q：为什么执行时点击位置不准确？
A：可能是屏幕分辨率适配问题、弹窗遮挡或界面加载未完成，可等待页面完全加载后重试，或在GitHub提交Issue反馈设备型号。
Q：肉包会收集我的隐私数据吗？
A：不会，所有截图与任务逻辑均在手机本地处理，仅VLM模型接口会传输必要的屏幕画面用于分析，用户可选择私有部署模型保证安全。
Q：支持小米、华为、OPPO、vivo等定制系统吗？
A：支持主流Android定制系统，部分厂商需要手动开启后台权限、悬浮窗、无障碍权限。
Q：执行任务失败怎么办？
A：查看执行日志了解失败原因，检查网络、API Key、权限是否正常，简化指令重新执行，复杂问题可在Issue反馈。
Q：可以自己添加功能或修改逻辑吗？
A：可以，项目采用MIT开源协议，任何人可自由Fork、修改、编译、分发，也欢迎提交PR贡献功能。
Q：肉包支持定时任务吗？
A：当前版本暂未内置定时任务，可通过系统闹钟+快捷指令间接实现，未来版本可能支持。
Q：必须使用Shizuku吗？
A：是的，Shizuku是肉包获取系统操作权限的核心依赖，未安装则无法执行点击、截图等操作。
七、相关链接
GitHub项目主页：https://github.com/Turbo1123/roubao
八、总结
肉包（Roubao）是一款真正意义上面向普通用户的轻量化、开源、免费Android AI手机自动化助手，它以原生Kotlin开发、全流程本地运行、无需电脑与ROOT、自然语言操控为核心优势，通过视觉语言模型与多Agent智能架构，让手机具备自主理解、规划、执行复杂任务的能力，既打破了商业AI手机助手的设备与价格壁垒，又解决了传统开源自动化工具门槛高、依赖PC的痛点，在日常使用、效率提升、无障碍辅助、开发测试等场景均具备极高实用价值，同时凭借MIT协议与模块化架构，为开发者提供了可自由定制、扩展、二次开发的移动端AI自动化基础框架，是当前安卓生态中兼具易用性、开放性与实用性的代表性自动化项目。
版权及免责申明：本文由@AI工具集原创发布。该文章观点仅代表作者本人，不代表本站立场。本站不承担任何相关法律责任。
如若转载，请注明出处：https://www.aipuzi.cn/ai-news/roubao.html
