2026-11-03 8 大标准
你以前用的语音助手，大多是"告诉你怎么做"。Mika 不一样——你一句话交代完，它自己打开 App、看屏幕、点按钮、填内容，把事真的办完。而你手里的主屏，照常刷视频、回消息，不被它占用。这里小编为用户准备了Mika上手指南，需要的可以看看。
一、它和"自动化脚本"根本不是一类东西
先说说多数人对"手机自动化"的印象：录一串点击坐标，换个分辨率就全废；或者等某个 App 出了 API，才能接进去。
Mika 走的是另一条路，两件事搭起来的：
第一，无障碍服务读屏。它像人一样看屏幕——找按钮、找输入框、点下去、滑动。这意味着不需要任何 App 配合，你手机里装的东西它都能操作，不用等谁给它开接口。
第二，一块独立的后台虚拟屏。这是它最要紧的设计。安卓 13 起，App 可以在一块不显示给你的屏幕上跑。Mika 把要操作的 App 放上去，读屏、点击、滑动全在那块屏上发生——你的主屏不受影响，该刷视频刷视频，该打字打字。
所以准确地说，它不是"帮你操作手机"，而是在你手机里另开了一台手机。
界面读不出来怎么办（自定义绘制的界面、控件没有名字）？它用视觉模型去认屏幕上的字；配了能看图的模型，还能靠"看图找按钮"。这是它能啃下陌生 App 的原因。
图 1｜左边是你的手机屏幕，右边是 Mika 在后台屏上干活：你让它「打开微信，给文件传输助手发：今晚 8 点开会」，它自己进微信、找到对话框、打字发送
二、日常那点事：发消息、翻群聊、看博主
① 发消息，就是图 1。你说"给文件传输助手发：今晚 8 点开会"，它进微信、找到会话、输入、发送。整个过程中你可以在旁边继续用手机——图上左右两栏，就是"你在干嘛"和"它在干嘛"的对照。
② 群聊总结，是开头那个场景。它的执行日志很有意思：「继续往上读昨天的聊天记录」「看了微信」「滚动」「继续向下滚到最新消息」。它真的在翻，不是在猜。
图 2｜总结群聊：先往上翻昨天的记录（"前面还有 22 步"），再一路滚回最新，右下角小窗就是它正在操作的那块后台屏
③ 看博主：「打开小红书，帮我总结一下博主王赞不赞的内容」。这一屏我特别喜欢，因为它暴露了一个真相——日志里有一行「输入文字 没成功」，然后它自己换了方式继续。
它不是魔法，它会失败、会重试。这比宣传片里那种丝滑演示可信得多。
图 3｜小红书：打开 App、搜索博主、采集多屏内容，中途"输入文字"失败过一次，自己绕过去了
三、网页上的活：比价、加购、打招呼
内置浏览器不是"打开网页看看"那么简单：能点、能输入、能下载上传，默认按电脑版网页打开（省得跟移动端精简页面较劲）。登录过的网站保持登录，你在它浏览器里登过的账号，办事时能直接用。
④ 找工作：「在 BOSS 直聘网页上找 AI 产品经理岗位，给前 3 个合适的岗位打招呼」。开网页、筛岗位、逐个打招呼，全程后台。
图 4｜BOSS 直聘：从开网页、找岗位到批量打招呼
⑤ 比机票：「On Google Flights, find the cheapest nonstop flight from San Francisco to New York next Friday.」自己填出发地、目的地、日期，读结果。
注意它用英文提问就用英文干活——这个项目对海外场景是认真做的。
图 5｜机票比价：英文指令英文执行，自己填出发地、目的地和日期
⑥ 网购：「加一个 30 美元以内、评分 4.5 星以上的 USB-C 充电器到购物车，结算前停下」。
这条指令的精髓在最后半句：它能一路加到购物车，然后停在付款前面等你。这个"停"字，是它敢让人用的前提。
图 6｜Amazon 加购：按价格和评分筛，加进购物车，停在结算前
顺带一提，纯读网页的活它也行——比如"打开 Hacker News，告诉我现在前 5 条新闻和它们的分数"，它开网页、读、把标题和分数一起带回来。
四、几个"用久了才知道好"的细节
它认得出验证码。遇到拦截页会停下来交给你，而不是瞎猜——这个克制很难得。
你在别的 App 里也能跟它说话。屏幕边缘会出现一个漂浮胶囊，显示后台任务进展；可以直接回话、同意、停止。还有个"把当前这屏发给它"的入口，比如你正看着一篇文章，说一句"这个帮我记下来"。
它停得下来，也接得上。按停止，它会先交代：做了什么、看到什么、失败了几次、哪些没做完。你下一轮说"继续"，它知道从哪儿接着做。这个设计比"一键执行"重要得多——真干活的时候，你总得能插手。
定时和条件任务。「每天早上 8 点看天气，下雨才告诉我」这种，是原生支持的。
它还带了个 Linux 沙箱。每个对话一个工作区，能跑 Python、Node、shell，处理你发的文件，产物存到手机的「下载/Mika」。默认断网，要联网得自己去设置里开。仅 arm64 设备。
五、模型随便接，这是它最"开源"的地方
Mika 自己不做模型，它是个"壳"——但壳做得很全。
预置了二十来家服务商：DeepSeek、通义千问、Kimi、智谱、硅基流动、火山方舟、MiniMax、阶跃星辰、腾讯混元、百度千帆、OpenRouter、Anthropic、Gemini、OpenAI、xAI、Mistral、Groq，还有本地的 Ollama、LM Studio。
不够的话选「自定义」，OpenAI 兼容、Anthropic、Gemini、OpenAI Responses 四种接口都能接，填 http://192.168.1.10:11434/v1 这种局域网地址也行。
更省事的是：可以完全不填 Key，直接在设置里点「使用 ChatGPT 登录」（Plus 或 Pro 账号），浏览器登完回来就能用。
模型分三个角色，这个设计比"一个模型打天下"聪明：
主模型 真正办事、决定下一步点什么。必须支持工具调用。
看图模型 描述界面、看图找按钮。可选，默认用主模型。
轻量模型 判断是否结束、提取记忆、理解意图。默认用主模型，可换便宜的。
把"判断结束"这种小事丢给便宜模型，办事的留给强模型——跑一天下来，账单能差出好几倍。
六、安全这件事，它选了最笨但最靠得住的做法
没有 Mika 的服务器。
你的话、屏幕内容、截图，只发给你自己配置的那家模型服务商。API Key、配置、对话记录、token 用量，全部存在手机上，Key 用安卓 Keystore 加密。检查更新只访问 GitHub。
它还有一个我没想到的授权设计——询问 / 自主两档：
询问（默认）
只有花钱的那一步先问你。下单、提交订单、订票这类，会明确告诉你"在哪儿、买什么、多少钱"，你同意这一次才继续。至于发消息、发帖、删东西、改设置这些，它直接做。
自主
连付款也不问。默认档这个划分挺懂事的：钱是要卡的，其他别磨叽。
另外，定时任务这种你不在场的场景，在询问模式下遇到要花钱的步骤会直接跳过，然后老实告诉你哪一步没做成——而不是傻等你半小时。
七、说点不好听的
一，它是 Beta。作者自己写了"主要在一台 Android 14 手机上测试过"。别指望在你这台定制 ROM 上一样顺。
二，安卓版本卡得挺死。安装要安卓 11+，但真正能后台干活要 13+，14+ 体验才完整（后台屏有自己的焦点，不影响你在主屏打字；也只有 14+ 才能让不同对话的任务同时跑）。手里还是安卓 12 的，只能看着。
三，要配对一次无线调试。一次性的，不用电脑不用数据线，但手机重启或断 Wi-Fi 之后系统会把它关掉——Mika 可以在你允许的前提下自己重开，偶尔还是得手动救一下。
四，它操作的是别人的 App。这可能违反那些 App 的用户协议，存在被限制功能甚至封号的风险。批量打招呼、自动加购这类操作尤其要节制。作者在 README 里也明确写了这点，没有藏着。
五，API 是要花钱的。一个复杂任务动辄几十轮模型调用，用强模型跑，一天下来不是零成本。
六，付款和验证码还是得你自己来。涉及截屏受限的页面它看不见，会发通知请你接管，处理完交还它继续。
七，Linux 沙箱只支持 arm64。老设备装了也用不了。
八、它适合谁
手机上事情多、又懒得点的人：群聊总结、定时提醒、跨 App 转东西，这类"琐碎但费手"的活最适合它。
找工作 / 海淘 / 比价的人：BOSS 打招呼、Amazon 加购、机票比价，官方演示基本照着这些场景录。
想研究"手机端 Agent"的开发者：core 模块是纯 Kotlin，能脱离安卓壳在电脑上跑单元测试和假模型；仓库里还带真机评测（eval/）。
不想把数据交给第三方的人：没有官方服务器，模型自己选，甚至可以接本地 Ollama。
反过来，如果你用的是 iPhone，或者手机是安卓 12 及以下，或者你期待的是"全自动帮我赚钱"——那它现在给不了。
展开内容
