Open-AutoGLM离线包实测：让普通安卓手机跑起手机智能体

“没有豆包智能手机，也能用？”这个问题，最近在我所在的几个智能体交流群里反复出现。起因是一波“AI手机”的话题让大家产生了一个惯性联想：能让手机自己刷视频、自己订外卖的能力，是不是非得等专属硬件落地，或者绑定某个厂商的云端服务才能体验？智谱清言在这个节点开源 Open-AutoGLM，还打包了可离线部署的离线包，等于直接回答了这个问题：不用。普通安卓手机加一台能跑大模型的电脑，就能把“一句话让手机干活”这件事搭起来。这篇就结合我自己的部署实测，把 Open-AutoGLM 离线包的原理、部署、实测效果和踩坑点一次讲清楚。

1. 豆包手机带火的追问：手机智能体难道只配“专属硬件”？

1.1 从“语音助手”到“手机智能体”的这一步

过去几年我们一直在用“语音助手”这个词，但绝大多数语音助手的能力边界其实很明确：你说“帮我点个外卖”，它做得最熟练的往往是打开外卖 App，剩下的选择店铺、挑菜品、下单选地址，还得你亲手完成。为什么会这样？因为传统助手是“站在 App 外面”的，它没有自己的眼睛和手，只能调用 App 对外开放的那几个接口，或者做浅层跳转。一旦链路里出现 App 内部的搜索页、确认页、优惠弹窗，它就断掉了。

手机智能体（有的资料里叫 Phone Use Agent，或者 GUI Agent）换了一条完全不同的路线：不再依赖 App 接口，而是模仿人的操作方式——截取当前屏幕，用视觉模型理解屏幕里有什么，再决定手指该点到哪里、往哪个方向滑、输入什么内容。听起来简单，但这一步是质变，因为它把“人能在手机上完成的操作”整体变成了可模型化的任务。

AutoGLM 最初就是智谱清言 App 里内置的这个能力，也是国内第一批真正在真实安卓应用里长期跑通的手机智能体。它之所以能稳定工作，靠的不仅是通用大模型，而是在大量 GUI 数据上做了专门的界面对齐。这次开源的 Open-AutoGLM 把整套链路——模型权重、服务端、终端控制——都放了出来，还提供了一个可以直接落地部署的离线包。对想自己研究、自己改造 Agent 的人来说，这比任何演示视频都有价值。

1.2 云端智能体与本地离线包的真正区别

很多人第一次听说 Open-AutoGLM 时的反应是：“智谱清言里不是已经有 AutoGLM 了吗？直接打开 App 用不就行了？”这话对，但只对了一半。云端版本的优势是零部署、开箱即用，手机装 App 就能体验；但代价也很明显：任务指令和屏幕截图都要传到云端处理，有一定等待时间，高峰期还会受额度、限流的影响。

离线包解决的就是这个“能不能把能力抓在自己手里”的问题。所谓离线包，就是把模型权重、推理服务、智能体编排代码、安卓端控制组件打成一个可在本地环境安装运行的整套软件。部署完成之后，你的手机屏幕信息不再需要离开本地网络。

这对三类人特别有价值。第一类是隐私敏感场景，比如企业内部手机上跑自动化流程，截图里全是业务数据，出不了内网；第二类是高频调用场景，云端 API 按次计费、有限流，本地部署一次投入，后续基本边际成本为零；第三类是研究和二次开发场景，模型可以换、策略可以改、动作日志随便看。另外，离线部署虽然不依赖智谱的云服务，但它依然是开源项目，模型权重和代码都是公开的——这层“拿到了就能持续用”的确定性，才是它比云端方案多出来的核心价值。

2. Open-AutoGLM 离线包拆箱：模型、框架、终端三件套

2.1 核心模型 GLM-4V-Auto：一个会“看屏幕”的视觉语言模型

拆开离线包，最核心的部分是模型权重。Open-AutoGLM 用的主模型是 GLM-4V-Auto，它和智谱的 GLM-4V 系列共享同一个主干，参数规模大约在 9B 这一档，但和通用