项目背景:2025 年 12 月,字节跳动联合中兴发布了「豆包手机助手」,可自动操作手机完成复杂任务。但首批工程机一机难求,二手市场价格居高不下。
于是有了「肉包」 ------ 一个完全开源、基于视觉语言模型(VLM)的 AI 手机自动化助手。
名字来源很简单:作者不爱吃素。
一、项目亮点
- 无需电脑:完全摆脱 ADB 数据线与 PC 端 Python 环境,安装 App 即可使用。
- 原生 Android 实现:基于 Kotlin 开发,截图、分析、决策、执行全部在手机本地完成。
- 多 Agent 协作机制:借鉴 Claude Code 的设计思想,采用 Tools / Skills 双层架构,实现任务规划与执行解耦。
- 高度可定制:支持通义千问、GPT-4V、Claude 以及本地 Ollama 等多种模型后端。
二、方案对比
| 特性 | 肉包(Roubao) | 豆包手机助手 | 其他开源方案 |
|---|---|---|---|
| 是否需要电脑 | ❌ 不需要 | ❌ 不需要 | ✅ 多数需要 |
| 是否依赖专用硬件 | ❌ 不需要 | ✅ 需要(3499+) | ❌ 不需要 |
| 实现语言 | ✅ Kotlin(原生) | ✅ 原生 | ❌ 多为 Python |
| 是否开源 | ✅ MIT | ❌ 闭源 | ✅ 开源 |
| 架构设计 | ✅ Tools / Skills 双层 | ❓ 未公开 | ❌ 通常无明确分层 |
| 自定义模型 | ✅ 支持 | ❌ 仅豆包模型 | ⚠️ 部分支持 |
三、整体技术架构
肉包的核心设计理念,是将复杂的 GUI 自动化过程拆解为两个正交维度:
- 原子能力(How):系统可以"做什么"
- 用户意图(What):用户"想要什么"
3.1 Tools 层:原子能力集合
Tools 层负责执行最底层、可复用的物理或系统操作,包括但不限于:
search_apps:智能搜索已安装应用(支持拼音与语义匹配)。deep_link:通过协议直接跳转到 App 内指定页面。shell / http:执行系统命令或调用外部 HTTP API。screenshot / tap / swipe:基础屏幕采集与触控操作能力。
这些工具本身不具备"目标感",只负责可靠执行。
3.2 Skills 层:用户意图封装
Skills 层面向最终用户,负责将自然语言意图映射为可执行策略,支持两种核心模式:
-
Delegation(委托模式)
直接通过 DeepLink 调用本身具备 AI 能力的应用(如小美、即梦等),特点是速度快、路径短、成功率高。
-
GUI 自动化模式
面向普通应用,采用"截图 → 分析 → 操作 → 再截图"的闭环,由 Agent 逐步完成任务。
四、界面与交互展示
肉包采用 Material 3 设计规范,整体风格简洁现代,支持流畅动画与完整的中英文双语切换。


五、关键依赖:为什么需要 Shizuku?
出于系统安全考虑,Android 普通应用默认无法:
- 模拟其他应用的点击操作
- 读取或分析其他应用的界面内容
传统解决方案通常依赖 电脑端 ADB,这与"随时随地自动化"的目标相悖。
Shizuku 提供了一种优雅且合规的中间方案:
- 用户仅需通过无线调试启动一次 Shizuku 服务;
- 肉包即可在非 Root 情况下获得 ADB 级别能力;
- 所有敏感信息(如 API Key)均采用 AES-256-GCM 加密存储;
- 一旦检测到支付类页面,系统会自动中止操作,避免风险。
六、快速上手
6.1 前置条件
- Android 8.0 及以上设备
- 已安装并启动 Shizuku
- 一个可用的 VLM API Key(国内用户推荐使用阿里云百炼)
6.2 使用示例
直接对肉包输入自然语言指令,例如:
- "帮我点个附近好吃的汉堡"
- "打开网易云音乐并播放每日推荐"
- "把我手机里最后一张照片发到微博"
七、项目路线图
已完成(v1.x)
- 原生 Kotlin 核心框架
- 智能应用分类与语义搜索
- Delegation 快速路径支持
开发中(v2.0)
- 无障碍服务混合模式(索引点击与坐标点击自动切换)
- UI 树感知能力,减少纯视觉分析带来的误判
- 宏脚本系统,支持操作序列的录制与回放
长期规划
- 多应用协作,跨 App 联动完成复杂工作流
- 边缘侧 AI,支持本地运行轻量级 VLM,实现离线自动化
八、开发者指南
如需自行构建与安装:
bash
# 克隆仓库
git clone https://github.com/Turbo1123/roubao.git
cd roubao
# 构建并安装
./gradlew assembleDebug
./gradlew installDebug