肉包是什么
肉包（roubao）是一款开源的ai驱动手机自动化工具，旨在提供字节跳动“豆包手机助手”的免费、轻量、可定制替代方案。它基于视觉语言模型（vlm）构建，采用kotlin原生开发，无需依赖pc端调试或root权限，仅需通过shizuku即可获取系统级操作能力。其核心工作流为“截图→ai理解→指令执行”闭环，同时支持delegation（委托专业ai应用处理）与gui级自动化双模式，覆盖点餐、通讯、导航等高频移动场景。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
肉包的主要功能
- 智能AI代理（Agent）：依托视觉语言模型实时解析屏幕画面，理解界面语义，响应自然语言指令，自主拆解并执行多步骤任务。
- 现代化UI体验：遵循Material 3设计规范，内置深色/浅色主题自动适配、细腻交互动画及完整中英文本地化支持。
- 灵活模型接入：兼容多种主流VLM后端，如通义千问Qwen-VL、OpenAI GPT-4V、Anthropic Claude系列等，支持自定义API地址、密钥及本地模型部署。
- 隐私与安全优先：所有API密钥均通过AES-256-GCM加密存储；内置敏感页面识别模块，可在检测到支付、登录等高风险界面时主动暂停任务；全部操作过程可视化，支持一键手动终止。
- Root增强能力（可选）：当Shizuku以Root权限运行时，肉包可启用更深层系统控制，例如无障碍服务强制启用、后台应用管理、跨进程UI交互等进阶功能。
肉包的技术原理
- 双层Agent架构设计：灵感源自Claude Code框架，分为Tools层与Skills层。Tools层封装底层原子能力——包括App启动、DeepLink跳转、剪贴板读写、通知栏交互等；Skills层则面向用户意图建模，将“帮我订一杯咖啡”这类模糊表达精准映射为可执行动作序列。
- 闭环式视觉自动化流程：持续执行“截屏→VLM分析→动作生成→系统执行”循环。Shizuku负责底层截图与触控注入；SkillManager首先进行意图置信度评估——高确定性请求（如“打开微信”）直连DeepLink委托；低置信度或复合型任务（如“把刚收到的快递单号发给张三”）则进入标准Agent流程，由Manager统筹规划、Executor生成具体操作、Reflector动态校验结果并迭代优化。
- 纯端侧Android原生实现：在MobileAgent开源框架基础上，使用Kotlin全面重写，完全离线运行于安卓设备本地。借助Shizuku获得类ADB权限，直接调用系统接口完成截图、点击、滑动、输入等操作，彻底摆脱传统Python+ADB方案对电脑连接的依赖。
肉包的项目地址
肉包的应用场景
- 高频生活事务自动化：一句话触发外卖下单、天气查询、闹钟设置、消息发送等操作，免去手动切换App、层层点击的繁琐流程。
- 跨应用信息流转：自动识别当前屏幕内容（如网页链接、图片文字、订单号），一键完成“将最新截图发至微博”“把聊天中的网址分享到微信”“从邮件复制收货地址填入淘宝”等操作。
- 个性化娱乐调度：自动唤起音乐App播放每日推荐歌单、在B站搜索指定关键词并播放首个视频、滚动刷新抖音/小红书首页获取热门内容。
- 智能出行辅助：语音唤醒高德地图发起路线规划、调起滴滴/高德打车、检索周边餐厅/加油站/停车场等POI信息，并结构化呈现关键字段。
