移动端AI Agent架构详解：从工具调用到系统分层

最近一段时间AI Agent 从一个偏研究的概念快速走向了工程落地。大家讨论的焦点也从“模型能生成什么”转向了“模型能执行什么”。而当我们把“执行”放到移动端这个场景里时问题立刻变得不一样了手机上的 Agent 不应该只是一个能聊天的大模型应用它更应该是一个能感知设备状态、调用系统能力、替用户完成实际操作的智能体。我写这篇文章想表达一个明确判断移动端 Agent 真正难的不是接入大模型而是如何把模型、工具、设备上下文和安全边界组合成一个稳定的执行系统。如果你正在考虑做一个“An agent built for Mobile”或者准备在公司 App 里加入 Agent 能力这篇文章会帮你理清架构思路并给出一套可以直接运行的 Kotlin 示例。文章会覆盖几个部分移动端 Agent 与传统云端 Agent 的差异、核心概念与系统分层、环境准备、最小可运行示例、Agent 执行常见错误排查、工程实践和安全建议。无论你是刚开始接触 Agent 开发还是已经写过一些 LLM 调用代码相信都能从中找到有价值的信息。1. 为什么“为手机打造的 Agent”值得关注先看一个现实场景。用户想安排明天的会议传统 App 的做法是让用户自己去日历里创建日程。如果换成 Agent 方案用户只需要说一句“明天下午三点和产品团队开评审会”Agent 就需要完成多步操作理解语义、确认时间、找到日历 App、创建日程、设置提醒最后给用户一个结果反馈。这个过程的本质变化是AI 从“信息生成者”变成了“任务执行者”。而手机是用户随身携带、权限最丰富、使用频率最高的设备自然成为 Agent 落地的最佳载体之一。但现在移动端 Agent 领域的现状是大模型的能力已经足够支撑复杂任务拆解。手机系统提供了大量可调用的能力和权限入口。真正缺的是把二者稳定连接起来的工程架构。也就是说模型负责“思考”但“行动”需要由移动端工程层来完成。这也是为什么现在搜索 “agent开发” “ai agent开发” 的人越来越多因为大家发现做 Agent 并不只是写 Prompt而是要解决工具调用、上下文管理、错误恢复、安全确认等一系列工程问题。读到这里你应该已经清楚了这篇文章不是讲“怎么调大模型 API”而是讲“怎么在移动端构建一个能执行任务的 Agent 系统”。如果你是 Android 开发者、App 技术负责人或者正在做端侧 AI 产品这篇文章非常适合你。核心代码使用 Kotlin 编写整体思路同样适用于 iOS 或跨平台方案。2. 移动端 Agent 的核心概念与适用场景2.1 什么是 LLM AgentLLM Agent 可以这样理解它不满足于“回答你的问题”而是基于大模型的推理能力把用户的目标拆解成一系列可执行的步骤然后调用外部工具最终达成目标。一个典型的 Agent 执行循环Agent Loop包括四步接收用户指令。模型判断需要调用什么工具。系统执行工具并拿到结果。模型根据工具结果继续推理直到任务完成。如果没有 Agent 概念很多任务只能靠写死逻辑完成。比如用户说“帮我打开微信”普通代码写一个 if 分支就行。但用户说“帮我把刚才那张照片发给微信里昨天聊过的那个人”普通规则逻辑就很难覆盖而 Agent 可以把“图像理解、联系人检索、快捷发送”这些能力组合起来。2.2 移动端 Agent 与云端 Agent 的差异云端 Agent 通常运行在服务器上处理的是网页搜索、数据库查询、API 调用等云端任务。移动端 Agent 则不同它的核心特征是维度云端 Agent移动端 Agent运行环境服务器算力充足手机算力、内存、电量有限上下文来源网页、数据库、API传感器、通知、App 状态、用户操作记录工具类型云端服务系统能力、App 能力、本地权限响应要求秒级到分钟级实时反馈需要流式响应隐私边界数据上云敏感度高本地优先隐私保护更敏感离线能力通常在线需要支持弱网或无网降级这意味着移动端 Agent 在设计时必须考虑更严格的资源管理、更精细的权限控制和更可靠的错误恢复机制。2.3 Agent 与 Skill、Tool 的关系在移动端 Agent 开发中你经常会看到三个词Agent、Skill、Tool。它们的关系可以这样理解Tool 是最小的可执行能力比如“打开应用”“读取日历”“发送短信”。Skill 是对一组 Tool 的业务封装比如“安排会议”这个 Skill 会调用“查询日历”“创建日程”“发送邀请”等多个 Tool。Agent 是决定“什么时候用哪个 Skill/Tool”的大脑。对一个移动端 Agent 而言准确注册 Tool、清晰描述 Tool 的作用至关重要。模型能否正确调用工具很大程度上取决于工具名和描述写得好不好。3. 移动端 Agent 的系统架构分层把“接入大模型”降级为一个普通模块之后移动端 Agent 的架构可以分为五层。3.1 感知层感知层负责收集设备上下文包括当前网络状态Wi-Fi / 蜂窝 / 离线。电量和充电状态。屏幕亮灭状态。当前前台 App。用户最近的通知。位置信息需要合适权限。这些上下文会拼接进 System Prompt让模型“知道”用户当下所处的环境。3.2 推理层推理层是 Agent 的决策核心负责理解用户意图。决定是否需要调用工具。生成工具参数。根据工具结果给出最终回复。在移动端推理层通常通过 HTTPS 调用云端大模型 API 实现。如果追求极低延迟和隐私保护也可以部署端侧小模型但当前阶段更常见的还是端云协同方案。3.3 工具层工具层是移动端 Agent 的执行器。它包括系统能力调用打开 App、创建日历事件、发送通知。应用能力注册业务方把自己 App 内部的能力注册给 Agent。数据读取读取本地文件、缓存、数据库。工具层必须做到“可注册、可枚举、可校验”。每个工具都应该有清晰的名称、描述、参数 Json Schema 和对应的执行函数。3.4 记忆层记忆层解决的是“Agent 如何记住用户偏好和历史操作”。移动端通常把短期记忆放在内存里把长期记忆保存在本地数据库。每次请求时系统会从记忆层提取与当前任务相关的摘要拼入上下文。3.5 安全层安全层是移动端 Agent 不可或缺的部分。因为 Agent 有执行能力一旦被恶意 Prompt 诱导可能执行危险操作。安全层至少要做三件事敏感工具执行前必须弹窗让用户确认。对用户输入做基本的注入检测。对 Agent 可执行的动作范围做白名单限制。4. 环境准备与基础配置接下来我们进入实操环节。先搭建一个最小的 Android 项目演示移动端 Agent 的核心链路。4.1 开发环境我使用的环境如下版本号请以你本机实际安装为准JDK 17。Android Studio 最新稳定版。Android SDK 34。Kotlin 1.9 及以上。Gradle 8 及以上。4.2 添加依赖在app/build.gradle.kts中添加以下依赖// 文件路径app/build.gradle.kts dependencies { implementation(androidx.core:core-ktx:1.12.0) implementation(androidx.appcompat:appcompat:1.6.1) implementation(com.google.android.material:material:1.11.0) implementation(androidx.lifecycle:lifecycle-runtime-ktx:2.7.0) // 网络请求 implementation(com.squareup.okhttp3:okhttp:4.12.0) // JSON 解析 implementation(org.jetbrains.kotlinx:kotlinx-serialization-json:1.6.2) // 协程 implementation(org.jetbrains.kotlinx:kotlinx-coroutines-android:1.7.3) }如果使用 kotlinx.serialization还要在app/build.gradle.kts的 plugins 中声明plugins { id(org.jetbrains.kotlin.plugin.serialization) version 1.9.22 }4.3 网络权限在AndroidManifest.xml中声明网络权限!-- 文件路径app/src/main/AndroidManifest.xml -- uses-permission android:nameandroid.permission.INTERNET /如果你的测试环境使用本地代理或自定义域名还需要确认网络安全配置允许明文请求。生产环境建议全部走 HTTPS。5. 完整示例最小可运行的移动端 Agent这一节我们来实现一个真正能跑起来的 Agent 核心循环。为了简化我们使用兼容 OpenAI Chat Completions 格式的模型服务重点关注 Agent 架构本身而非某一个厂商 SDK。5.1 项目结构app/src/main/java/com/example/mobileagent/ ├── agent/ │ ├── AgentCore.kt │ ├── AgentModels.kt │ ├── Tool.kt │ └── ToolExecutor.kt ├── context/ │ └── DeviceContextCollector.kt └── MainActivity.kt5.2 定义 Agent 数据模型先定义消息和工具调用的数据模型。// 文件路径app/src/main/java/com/example/mobileagent/agent/AgentModels.kt package com.example.mobileagent.agent import kotlinx.serialization.Serializable Serializable data class ChatMessage( val role: String, // user / assistant / tool val content: String, val toolCalls: ListToolCall? null, val toolCallId: String? null ) Serializable data class ToolCall( val id: String, val name: String, val arguments: String // JSON 字符串 )5.3 定义 Tool 接口每个 Tool 就是一个可被模型调用的函数// 文件路径app/src/main/java/com/example/mobileagent/agent/Tool.kt package com.example.mobileagent.agent interface Tool { // 工具名称必须唯一 val name: String // 给模型的工具描述越清晰越好 val description: String // 参数 JSON Schema模型会根据它生成参数 val parametersJsonSchema: String // 执行工具返回结果字符串 suspend fun execute(argumentsJson: String): String }这里的关键是parametersJsonSchema。它是模型生成参数时的“契约”必须写清楚每个参数的名称、类型和含义。注册一个“打开 App”工具的示例// 文件路径app/src/main/java/com/example/mobileagent/agent/ToolExecutor.kt package com.example.mobileagent.agent import android.content.Context import android.content.Intent import kotlinx.coroutines.Dispatchers import kotlinx.coroutines.withContext import org.json.JSONObject class OpenAppTool(private val context: Context) : Tool { override val name: String open_app override val description: String 打开设备上的某个应用。当用户要求打开一个 App 时使用参数 packageName 是应用的包名。 override val parametersJsonSchema: String { type: object, properties: { packageName: { type: string, description: 目标应用的包名例如 com.tencent.mm } }, required: [packageName] } .trimIndent() override suspend fun execute(argumentsJson: String): String withContext(Dispatchers.IO) { val json JSONObject(argumentsJson) val packageName json.getString(packageName) val launchIntent context.packageManager.getLaunchIntentForPackage(packageName) if (launchIntent ! null) { launchIntent.addFlags(Intent.FLAG_ACTIVITY_NEW_TASK) context.startActivity(launchIntent) {success: true, message: 已打开 $packageName} } else { {success: false, message: 未找到 $packageName 应用} } } }5.4 设备上下文采集器为了让 Agent 理解设备状态我们实现一个简单的上下文采集器。这里只采集不需要复杂权限的信息// 文件路径app/src/main/java/com/example/mobileagent/context/DeviceContextCollector.kt package com.example.mobileagent.context import android.content.Context import android.net.ConnectivityManager import android.net.NetworkCapabilities import android.os.BatteryManager import android.os.Build import java.text.SimpleDateFormat import java.util.Date import java.util.Locale class DeviceContextCollector(private val context: Context) { fun collect(): String { return buildString { appendLine(当前时间${timeNow()}) appendLine(设备品牌${Build.BRAND}) appendLine(设备型号${Build.MODEL}) appendLine(网络状态${networkState()}) appendLine(电池状态${batteryState()}) } } private fun timeNow(): String { val format SimpleDateFormat(yyyy-MM-dd HH:mm:ss, Locale.getDefault()) return format.format(Date()) } private fun networkState(): String { val cm context.getSystemService(Context.CONNECTIVITY_SERVICE) as ConnectivityManager val network cm.activeNetwork ?: return offline val capabilities cm.getNetworkCapabilities(network) ?: return unknown return when { capabilities.hasTransport(NetworkCapabilities.TRANSPORT_WIFI) - wifi capabilities.hasTransport(NetworkCapabilities.TRANSPORT_CELLULAR) - cellular else - other } } private fun batteryState(): String { val bm context.getSystemService(Context.BATTERY_SERVICE) as BatteryManager val level bm.getIntProperty(BatteryManager.BATTERY_PROPERTY_CAPACITY) return $level% } }5.5 Agent 核心执行类这是整个示例的核心。它负责把用户指令、设备上下文和工具列表发给模型并处理工具调用循环。// 文件路径app/src/main/java/com/example/mobileagent/agent/AgentCore.kt package com.example.mobileagent.agent import kotlinx.coroutines.Dispatchers import kotlinx.coroutines.withContext import kotlinx.serialization.json.Json import kotlinx.serialization.json.JsonArray import kotlinx.serialization.json.JsonElement import kotlinx.serialization.json.JsonObject import kotlinx.serialization.json.JsonPrimitive import kotlinx.serialization.json.buildJsonArray import kotlinx.serialization.json.buildJsonObject import kotlinx.serialization.json.put import okhttp3.MediaType.Companion.toMediaType import okhttp3.OkHttpClient import okhttp3.Request import okhttp3.RequestBody.Companion.toRequestBody import java.io.IOException import java.util.concurrent.TimeUnit class AgentCore( private val apiKey: String, private val baseUrl: String, private val model: String, private val tools: ListTool ) { private val client OkHttpClient.Builder() .connectTimeout(30, TimeUnit.SECONDS) .readTimeout(60, TimeUnit.SECONDS) .build() private val json Json { ignoreUnknownKeys true } suspend fun run(userInput: String, systemPrompt: String): String withContext(Dispatchers.IO) { var messages listOf( ChatMessage(role system, content systemPrompt), ChatMessage(role user, content userInput) ) repeat(MAX_AGENT_STEPS) { step - val responseText callModel(messages) ?: returnwithContext 模型调用失败请检查网络或 API 配置 val toolCalls extractToolCalls(responseText) if (toolCalls.isEmpty()) { returnwithContext extractContent(responseText) } // 把模型返回的 tool_calls 加入消息队列 val assistantMessage ChatMessage( role assistant, content , toolCalls toolCalls ) // 取响应里的 assistant 消息这里的实现做了简化 messages messages assistantMessage // 依次执行工具 val toolResultMessages mutableListOfChatMessage() for (call in toolCalls) { val tool tools.find { it.name call.name } val result if (tool ! null) { try { tool.execute(call.arguments) } catch (e: Exception) { {error: tool execution failed: ${e.message}} } } else { {error: unknown tool: ${call.name}} } toolResultMessages.add( ChatMessage(role tool, content result, toolCallId call.id) ) } messages messages toolResultMessages } Agent 执行步数超过上限已停止。 } private fun callModel(messages: ListChatMessage): String? { val payload buildModelPayload(messages) val request Request.Builder() .url(baseUrl) .addHeader(Authorization, Bearer $apiKey) .addHeader(Content-Type, application/json) .post(payload.toRequestBody(application/json.toMediaType())) .build() return try { client.newCall(request).execute().use { response - if (!response.isSuccessful) { null } else { response.body?.string() } } } catch (e: IOException) { e.printStackTrace() null } } private fun buildModelPayload(messages: ListChatMessage): String { // 这里构造 chat completions 请求包含 messages 和 tools val messagesJson buildJsonArray { for (msg in messages) { add(buildJsonObject { put(role, msg.role) put(content, msg.content) if (msg.toolCalls ! null) { put(tool_calls, buildJsonArray { for (call in msg.toolCalls) { add(buildJsonObject { put(id, call.id) put(type, function) put(function, buildJsonObject { put(name, call.name) put(arguments, call.arguments) }) }) } }) } }) } } val toolsJson buildJsonArray { for (tool in tools) { add(buildJsonObject { put(type, function) put(function, buildJsonObject { put(name, tool.name) put(description, tool.description) // 用 Json.parseToJsonElement 解析工具的参数 schema put(parameters, Json.parseToJsonElement(tool.parametersJsonSchema)) }) }) } } return buildJsonObject { put(model, model) put(messages, messagesJson) put(tools, toolsJson) put(tool_choice, auto) }.toString() } private fun extractToolCalls(responseText: String): ListToolCall { // 这里只做最小实现解析 choices[0].message.tool_calls // 建议引入更完善的 JSON 解析逻辑 return try { val root json.parseToJsonElement(responseText) as JsonObject val choices root[choices] as JsonArray val first choices[0] as JsonObject val message first[message] as JsonObject val calls message[tool_calls] as? JsonArray ?: return emptyList() calls.mapNotNull { item - val obj item as JsonObject val id obj[id]?.let { (it as JsonPrimitive).content } ?: returnmapNotNull null val function obj[function] as JsonObject val name (function[name] as JsonPrimitive).content val arguments (function[arguments] as JsonPrimitive).content ToolCall(id id, name name, arguments arguments) } } catch (e: Exception) { e.printStackTrace() emptyList() } } private fun extractContent(responseText: String): String { return try { val root json.parseToJsonElement(responseText) as JsonObject val choices root[choices] as JsonArray val first choices[0] as JsonObject val message first[message] as JsonObject message[content]?.let { (it as JsonPrimitive).content } ?: } catch (e: Exception) { 解析模型响应失败 } } companion object { private const val MAX_AGENT_STEPS 5 } }5.6 在 MainActivity 中串联下面把上面的模块拼接起来。这里只展示核心调用逻辑省略了完整 UI 布局代码。// 文件路径app/src/main/java/com/example/mobileagent/MainActivity.kt package com.example.mobileagent import android.os.Bundle import android.widget.Button import android.widget.TextView import androidx.appcompat.app.AppCompatActivity import com.example.mobileagent.agent.AgentCore import com.example.mobileagent.agent.Tool import com.example.mobileagent.context.DeviceContextCollector import kotlinx.coroutines.CoroutineScope import kotlinx.coroutines.Dispatchers import kotlinx.coroutines.launch import kotlinx.coroutines.withContext class MainActivity : AppCompatActivity() { private lateinit var resultText: TextView private val apiKey your-api-key private val baseUrl https://your-endpoint/v1/chat/completions private val model your-model-name override fun onCreate(savedInstanceState: Bundle?) { super.onCreate(savedInstanceState) setContentView(R.layout.activity_main) resultText findViewById(R.id.resultText) val runAgentBtn: Button findViewById(R.id.runAgentBtn) runAgentBtn.setOnClickListener { runAgent() } } private fun runAgent() { val tools: ListTool listOf( OpenAppTool(applicationContext) ) val agent AgentCore( apiKey apiKey, baseUrl baseUrl, model model, tools tools ) val contextInfo DeviceContextCollector(applicationContext).collect() val systemPrompt 你是运行在手机上的智能助手。你可以调用手机上的工具帮助用户完成任务。 判断用户意图后选择合适的工具并给出最终回复。 当前设备信息 $contextInfo .trimIndent() CoroutineScope(Dispatchers.Main).launch { resultText.text Agent 执行中... val result withContext(Dispatchers.IO) { agent.run(帮我打开微信, systemPrompt) } resultText.text result } } }5.7 如何运行和验证把apiKey、baseUrl、model换成你自己可用的模型服务配置安装到模拟器或真机点击按钮观察结果。预期效果是Agent 调用大模型接口模型识别出用户要“打开微信”返回tool_callsAgentCore 执行open_app工具设备上拉起微信最后模型返回一句类似“已为你打开微信”的确认消息。这一步跑通之后你就拥有了一个移动端 Agent 的最小闭环后续可以继续扩充 Tool 列表、接入语音输入、加入业务 Skill。6. 移动端 Agent 常见错误与排查方法开发 Agent 最大的感受是不确定因素很多。模型可能返回错误格式工具可能执行失败网络可能超时。下面整理几个高频问题尤其是搜索热词里出现过的错误信息这些基本涵盖了我见过的绝大多数情况。问题现象可能原因排查方式解决方案Agent 执行超时日志出现 “the agent execution provider did not respond in time”模型服务响应过慢或请求体过大导致排队查看模型服务的请求耗时检查 messages 长度开启模型服务端日志增加超时时间启用流式输出压缩历史消息做上下文裁剪Agent 中断出现 “agent terminated due to error you can prompt the model to try again or start”模型返回数据格式异常或工具执行抛异常查看本地堆栈检查模型原始响应确认工具名是否在注册表中为 Agent 调用增加重试机制对模型响应增加 schema 校验对每个 Tool 增加独立 try-catch模型返回了工具调用但工具没有执行Tool 名称和描述不匹配或参数 schema 描述不清晰打印模型返回的 tool_calls 内容和 Tool 注册信息对比优化工具名和描述使用 tool_choice 控制默认选择调用 Android 系统能力时抛 SecurityException缺少运行时权限或 Manifest 权限声明检查崩溃日志检查 AndroidManifest.xml检查运行时权限弹窗按最小权限原则申请权限用户拒绝后降级处理不要闪退在 Windows 上连接 iPhone 调试时提示 “Apple Mobile Device 服务错误 1053”系统服务 Apple Mobile Device Service 未启动或已损坏在“服务”管理器中查看该服务状态重新启动服务或者重新安装对应设备驱动后重试Agent 乱调用工具比如用户只是聊天就执行了动作System Prompt 中缺少“何时使用工具”的限定检查发送给模型的完整消息确认工具描述是否过于宽泛增加工具使用约束要求模型拿不准时先向用户确认模型响应中 arguments 是非法 JSON模型生成不稳定或上下文太长打印模型原始响应增加 JSON 修正与重试逻辑简化 arguments schema降低单次上下文长度弱网环境下 Agent 频繁失败移动网络延迟高或丢包查看 OkHttp 日志检查网络切换增加重试和超时策略优先使用 Wi-Fi 或 5G考虑端侧模型做降级排查 Agent 问题时我建议遵循一个顺序先看模型响应原文再看工具执行日志最后看用户输入。因为 Agent 链路里模型响应是“决策层”工具执行是“动作层”用户输入是“起点”。多数问题都出在决策层也就是模型没有按预期返回 tool_calls。7. 移动端 Agent 工程实践与安全建议这部分我要写实战项目里真正需要注意的内容而不是泛泛而谈。移动端 Agent 从 Demo 到生产环境至少要跨过五道坎。7.1 上下文管理与记忆移动端 Agent 每次请求携带全量历史消息很快就会撑爆 token 限制。这里的经验是短期会话保留最近 10-20 条关键消息。超过阈值的消息压缩成摘要再拼入 System Prompt。长期记忆按实体存储比如“用户常用联系人”“用户常用地点”。在 Android 上建议用 Room 或 DataStore 保存长期记忆不要让 Agent 每次启动都重新收集用户信息。7.2 工具执行的安全边界这是移动端 Agent 最容易被忽略的部分。Agent 有执行能力就意味着有被滥用的风险。建议所有工具分为“自动执行”和“需确认执行”两类。发送短信、转账、删除文件、修改系统设置等操作必须弹窗由用户确认。工具执行结果中的敏感信息要脱敏不要把完整数据直接送入模型上下文。如果你看到的是“agent安全”相关的搜索内容那说明大家已经意识到移动端 Agent 不仅仅是把 API 调通就结束了。7.3 幂等与重试Agent 执行工具时可能因为网络中断导致模型以为自己没执行过于是重复执行。比如“创建订单”这个工具被调用了两次就可能重复下单。解决方案是给工具调用增加幂等键。每次调用工具时生成一个 callId工具内部先检查该 callId 是否已经执行过。已经执行过就直接返回上次结果。7.4 端云协同与离线降级移动端 Agent 不必所有任务都走云端大模型。实际项目中的合理策略是简单规则任务由端侧直接处理。复杂任务调用云端大模型。无网或弱网时提供降级方案比如只展示最近记忆或使用端侧小模型处理简单指令。这样既控制了成本也提升了体验。7.5 多 Agent 协作的移动端落地在服务端多 Agent 协作已经很常见。在移动端我们也要合理控制复杂度优先使用单 Agent 多 Tool 架构稳定性和可排查性最好。当任务过于复杂时可以让“规划 Agent”负责拆解让“执行 Agent”负责干活但两者之间必须有结构化协议而不是把全部上下文互相传递。否则会陷入“Agent 之间消息循环”的灾难。7.6 性能与耗电移动端 Agent 如果做不好性能控制很容易被用户卸载。重点关注模型调用放在后台线程使用 OkHttp 的异步回调或协程。流式输出时不要让 UI 频繁刷新做节流。长时间任务执行前检查电量是否充足低于阈值时询问用户是否继续。8. 总结与下一步学习方向移动端 Agent 的技术路线正在快速收敛“模型 工具 上下文 安全”这四个核心模块基本决定了 Agent 的能力边界。本文给了一套最小可运行的 Android Agent 示例跑通它之后你已经完成了从“调用大模型”到“构建 Agent 执行系统”的关键一步。接下来如果你想继续深入我建议按下面的路线学习深入 Tool Calling 协议理解 function calling 的参数约束和错误恢复。学习 System Prompt 工程尤其是如何让模型在“聊天”和“调用工具”之间做正确切换。研究上下文压缩算法解决长会话记忆问题。动手设计一个业务 Skill 体系把公司 App 内部能力封装成 Agent 工具。关注端侧大模型进展尝试在本地跑一个小参数量模型做断网降级方案。如果你正在规划移动端 Agent 产品下面几件事现在就可以开始做梳理 App 内可开放的工具清单、定义工具的权限分级、搭建 Agent 执行的监控日志体系。一个稳定的移动端 Agent不是“模型聪明”就够了而是整个工程系统足够可靠。希望这篇文章能帮你少踩一些坑。如果你在实践过程中遇到其他问题欢迎在评论区交流我看到了会尽量回复。建议收藏备用。