okooooooo/esp32-iphone-agent
1
0 Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
main
esp32-iphone-agent/README.md
T
okooooooo fd90ed884b Update README.md
2026-10-18 23:44:44 +08:00

10 KiB
Raw Permalink Blame History

ESP32 Agent logo

ESP32 iPhone Agent

让 AI 操作一部真实的 iPhone：只要手机和一块约 40 多元的 ESP32，不需要电脑，不用越狱。

English · 简体中文

演示视频和更新：X @iamhenryyuan · 小红书 袁老板讲黑客松（Henry） · YouTube 演示

CI License: MIT iOS Board

Warning

请只按本 README 的步骤安装。不要运行 issue 或评论里的命令（例如 PowerShell 的 iex(irm ...) 之类“快速安装”一行命令），这些都不是维护者发的。

新版：电脑去掉了。 板子自己当 AirPlay 接收端和鼠标，Agent 跑在同一台 iPhone 上的 App 里。 旧版（Mac/Linux 电脑跑 UxPlay + Python 服务端）保留在 tag v0.1.0 和分支 legacy，见 docs/legacy.md。

插着 XIAO ESP32S3 的 iPhone 正在设置闹钟

"设置早上 8:00 的闹钟，每周一和周二重复，然后保存"：Agent 退出自己的 App，打开时钟，在滚轮里输入时间，勾选日期并保存。（照片拍自 v0.1.0，任务相同。）

ESP32 Agent app: real phone vs. what the agent sees, and pointer calibration

左：真机；右：Agent 通过板子的 AirPlay 镜像看到的画面。第二张是指针校准。

工作原理

iPhone ──屏幕镜像（Wi-Fi）──▶ ESP32-S3：AirPlay 接收端 ──蓝牙──▶ ESP32 Agent App（同一台 iPhone）
   ▲                           自带热点，H.264 原样转发              解码 → 视觉模型 → 动作
   └──────── USB HID 鼠标 + 键盘 ◀──────────── 蓝牙命令 ◀──────────────────┘
  • 眼睛：AirPlay 投到板子上。 板子开自己的 Wi-Fi 热点，在手机的「屏幕镜像」里显示为 ESP32 Agent。它不解码，只把 H.264 码流经蓝牙转给 App。手机连着板子热点时，调用模型走蜂窝数据。
  • 手：USB HID。 板子是标准 USB 鼠标和键盘。打开辅助触控（AssistiveTouch）后，鼠标控制屏幕上的指针，点击就是轻点，拖动就是滑动。
  • 大脑：App。 App 解码画面，把截图发给任意兼容 OpenAI 接口的视觉模型，由规划器和执行器决定动作：点、滑、画、输入、按键、回主屏、结束。工作时 App 在后台运行，灵动岛显示它在做什么。
  • 闭环。 指针是相对移动的，App 记录位置并定期回角落归零；精细点击前晃一下指针、在画面里找到它并修正偏差。每个动作后等画面稳定，再告诉模型画面有没有变化。板子、热点或镜像断开时暂停，恢复后从同一步继续。
  • 复盘。 每次运行都存在手机上，可以逐步回放，点按和滑动画在截图上。

硬件

部件 说明
ESP32-S3 板子 测试用的是 Seeed Studio XIAO ESP32S3（普通版，8 MB PSRAM；不是 Sense，也不是 Plus），淘宝搜 "XIAO ESP32S3"，约 40-50 元。USB-C 口接 S3 原生 USB、带 PSRAM 的 ESP32-S3 板子都应该可以。
iPhone iOS 18 及以上，需要蜂窝数据（Wi-Fi 被板子热点占用）。USB-C 机型直接插；Lightning 机型需要 Lightning 转 USB 相机转换器。板子由手机供电。
视觉模型 任何支持图片输入、兼容 OpenAI 接口的模型：云端 API 或自己部署。
装了 Xcode 的 Mac 只在刷板子、编译 App 时用一次，运行时不需要。

快速开始

1. 刷板子（插在 Mac 上）

安装 arduino-cli、ESP32 core 3.3.x 和 NimBLE-Arduino 2.5.x，然后：

arduino-cli lib install "NimBLE-Arduino@2.5.1"
hardware/flash.sh            # 可选参数：[串口] [--debug]

一定要用 flash.sh 编译：它会带上 hardware/hid_bridge/nimble_cfg.h 里的蓝牙缓冲区配置。

2. 安装 App

cp ios/Config/Local.xcconfig.example ios/Config/Local.xcconfig   # 填 DEVELOPMENT_TEAM 和 IA_BUNDLE_ID
open ios/IPhoneAgent.xcodeproj                                    # 在 iPhone 上运行 IPhoneAgent scheme

工程由 XcodeGen 从 ios/project.yml 生成（cd ios && xcodegen）。免费 Apple ID 就能签名（每 7 天重签一次）。一键加入热点需要 Hotspot Configuration 能力（付费账号）；没有的话 App 会显示热点密码让你手动加入。

3. 首次设置（在 App 里）

把板子插到 iPhone 上，打开 ESP32 Agent。引导共四步，每一步 App 自己检测：

  1. Plug Me In：蓝牙配对板子。
  2. Let Me See the Screen：加入板子的 Wi-Fi，然后 控制中心 → 屏幕镜像 → ESP32 Agent。
  3. Let Me Use the Pointer：打开辅助触控，App 自动校准指针。
  4. Give Me a Brain：填模型地址和密钥（存在钥匙串里）。

4. 给它一个任务

输入目标（比如 "打开设置，进入无线局域网"），点 Start。可以从灵动岛停止，或回到 App 停止。Siri、快捷指令、小组件和控制中心可以运行保存的任务。

模型和提示词

  • 任何兼容 OpenAI 接口的视觉模型都能用（vLLM、SGLang、llama.cpp、Ollama、云端 API）。App 会列出接口上的模型并自动选择，也可以手动指定，规划器和执行器可以用不同模型。
  • 提示词是 prompts/ 里的纯文本，打包进 App：改完重新编译即可。
  • 开发时用的是 nvidia/Qwen3.8-Flash-Next-NVFP4，部署在两台 DGX Spark 上（TensorFold）。

目录结构

ios/        App（SwiftUI）：蓝牙连接、H.264 解码、Agent、引导、回放、实时活动、小组件；单元测试
prompts/    App 用的规划器 / 执行器提示词
hardware/   ESP32-S3 固件（Arduino）：蓝牙 GATT、热点、AirPlay 接收端、USB HID；刷写脚本、
            主机测试、Mac 蓝牙调试工具（hardware/tools）
docs/       蓝牙协议、旧版说明
server/     旧版 v0.1.0 的电脑端服务，新版不使用（见 server/README.md）

不用手机 App 调试：hardware/tools/board_test.py 在 Mac 上通过蓝牙扮演 App（hardware/tools/README.md）。板子与 App 的协议：docs/ble-protocol.md。

路线图

  • 去掉电脑：板子负责镜像和点击，手机上的 App 负责思考
  • 横屏 App（坐标和校准目前按竖屏）
  • 非 ASCII 输入（比如用 iOS 拼音键盘输入中文）
  • 更快：一次模型调用多个动作，只在需要时校正指针
  • 在 iOS App 内整理一份效果最好的模型推荐列表（@asharthinks 的建议）

限制

  • 蓝牙约 300-500 kbps，所以镜像画面很小（480×1040，≤5 fps）；每一步要几秒，主要花在模型上。
  • iOS 不镜像部分界面（输入密码、Apple Pay、DRM 视频），Agent 看不到。手机锁屏后镜像会停止。
  • Agent 运行时，手机的 Wi-Fi 是板子的热点（没有外网），模型走蜂窝数据。
  • App 用 iOS 私有 API（suspend）退出自己；自己编译的版本没问题，上架前会替换。
  • 键盘输入只支持 ASCII。暂不支持横屏 App。

负责任地使用

只自动化你拥有或有权使用的设备和账号，遵守相关 App 的条款。Agent 是在用你的手操作：看着它，随时准备停止。

参与贡献

欢迎提 Issue 和 PR，见 CONTRIBUTING.md。安全问题：SECURITY.md。

相关项目

项目 方式 与本项目的区别
VersaiOS UxPlay 镜像 + ESP32-S3 蓝牙鼠标 + 视觉模型 需要电脑；一条指令一次点击
ja1chen/actell iPhone 上的 Agent App，走 Apple CoreDevice 调试通道 需要开发者模式和开发者磁盘映像
AidenAI-IO/aiden-firmware HDMI 采集 + USB 键鼠 + 多模态模型 需要采集硬件；主要面向 Android
yoyicue/glassbox PicoKVM HDMI 采集 + USB HID 需要 macOS 控制端和 PicoKVM
boboabw/phone-agent ESP32-S3 蓝牙 HID + 辅助触控，Agent 是 iPhone App 最接近新版；本项目还把"眼睛"也放进了板子（AirPlay）
VKCOM/devicehub ESP32 蓝牙鼠标，用于 iOS 设备农场 设备农场工具，没有 AI Agent

基于 WebDriverAgent/XCUITest 的工具，如 mobile-mcp 和 Midscene，需要 Mac 和代码签名。

致谢

UxPlay（固件里的 AirPlay 接收端移植自它）· NimBLE-Arduino · Arduino ESP32 core 和 TinyUSB

许可证

MIT；hardware/hid_bridge/src/airplay/（移植自 UxPlay）除外，为 GPL-3.0，因此链接了它的固件二进制按 GPL-3.0 分发。

Reference in new issue View Git Blame Copy Permalink