爆降51% Token消耗！清华北大开源AOHP：重构Agent原生安卓系统

AOHP: An Open-Source OS-Level Agent Harness for Personalized, Efficient and Secure Interaction

如今的AI智能体能陪你聊天、帮你写代码。但如果你让它在手机上跨App比价并买杯咖啡，它往往会笨手笨脚，甚至频繁出错。为什么？因为现有的智能手机操作系统，是为“人类点击”设计的，而不是为“代码调用”准备的。

ArXiv URL：http://arxiv.org/abs/2606.23449v1

论文原图：用于辅助理解核心方法或实验结果。

传统的操作系统界面是由开发者固定的，GUI的渲染是为了人类视觉，而非机器逻辑。这种架构级的错位，不仅限制了智能体的落地，更带来了极高的执行开销与严重的隐私风险。

为了彻底解决这一根本性问题，清华大学、北京大学与香港大学的研究团队联手破局。该研究提出了安卓开放安全套件（Android Open Harness Project, AOHP）。这不仅是一个简单的插件，而是直接基于安卓开源项目（Android Open Source Project, AOSP）进行的底层OS重构。

实验结果极为耀眼：在复杂移动端任务中，AOHP将任务完成率提升了21.12%。同时，得益于底层接口的优化，大型语言模型的Token消耗暴降了51.55%！本文将带你深度拆解这一Agent原生操作系统的核心技术机制。

架构级错位重构：从应用中心到服务组合

要理解AOHP的颠覆性，我们需要先看清传统OS的局限。在传统安卓系统中，应用（App）是绝对的中心，信息被封闭在一个个孤岛中。

人类用户只能被动地适应App定义的菜单和跳转逻辑。但对于AI智能体而言，这种“看屏幕-找按钮-模拟点击”的过程，就像是让一个程序员通过看实体菜单来点菜。这既低效，又容易因为界面UI的微小变化而彻底崩溃。

AOHP的核心设计原则，是将Agent提升为操作系统的“一等公民”。系统不再强迫Agent去适应僵化的App，而是主动围绕用户的意图生成自适应用户界面（Adaptive User Interfaces）。

在架构上，AOHP分为垂直的四个层次：最底层保留了成熟的安卓软硬件生态，确保兼容性。第二层是统一交互接口（Unified Interaction Interface），将传统UI和新型接口规范化。第三层是能力层，将系统内存、UI工具和技能进行重组。最顶层则是AOHP的杀手锏：个性化服务组合（Personalized Service Composition）。

你可以这样理解：当你想购物时，AOHP不会让Agent去逐个打开不同的电商App。相反，操作系统会在底层提取各个电商的搜索、比价、支付等服务能力（API、CLI或结构化GUI）。然后，系统当场“组装”出一个只针对你当前购物意图的专属服务入口。 Agent直接与这个高层语义入口交互，绕过了繁琐的跨App切换，真正实现了“意图驱动”。

交互接口降维打击：并行执行与事件流抽象

为什么AOHP能让Token消耗暴降一半以上？秘密隐藏在其打造的高效智能体接口（Efficient Agent Interfaces）中。

在传统的视觉流Agent方案中，模型需要不断地截图、解析屏幕、推理坐标。这意味着上下文窗口中塞满了冗长且重复的视觉或布局Token。且一旦遇到应用加载转圈，Agent就得傻傻等待，极度浪费算力。

AOHP为Agent量身定制了一套“数字API菜单”，彻底改变了交互方式：

并行后台交互：系统将执行与物理屏幕解耦，通过轻量级虚拟显示器，允许Agent在后台并行处理多个耗时任务。这就避免了抢占用户当前正在使用的前台界面。
Agent感知UI增强：系统将复杂的GUI抽象为结构化表达。剔除了对机器毫无意义的渲染细节，保留了纯粹的语义信息，极大压缩了状态空间的复杂度。
事件流抽象（Event Stream Abstraction）：系统级通知（如Toast弹窗）往往转瞬即逝，传统Agent通过轮询很难抓取。 AOHP引入了发布-订阅机制，Agent可以订阅动态通知捕获和传感器数据流。只要数据更新，系统直接推送给Agent，彻底消灭了无效的重复询问。
统一文件快捷方式：在跨App协作中，文件共享往往是最容易断裂的环节。 AOHP将文件作为OS边界的一等任务对象，提供统一的数据面。无论是GUI操作产生的文件，还是程序化接口消费的文件，都能被系统级追踪和顺滑交接。

通过这些机制，Agent的操作步数被大幅削减。根据公式推演，大模型调用的总成本 $Cost$ 往往与交互步数 $N$ 以及上下文长度 $L$ 呈正相关。 AOHP同时降低了这两个变量，从而实现了执行效率的几何级跃升。

细粒度信息流管控：隐私数据的沙箱化脱敏

让Agent在操作系统内拥有最高权限，听起来就像是把保险箱密码交给了陌生人。传统的App权限模型（如“是否允许访问通讯录”）防得住App，却防不住跨应用流窜的Agent。如果Agent读取了你的银行卡号，并在后续任务中不慎将其作为参数传给了外部网页，后果不堪设想。

AOHP通过安全信息流（Secure Information Flow）机制，重构了系统的信任边界。

它的核心思想非常巧妙，我们可以将其称为“信封策略”：默认情况下，敏感的明文数据（信件）绝对不会直接暴露给Agent的上下文。在敏感数据进入Agent视野之前，AOHP的底层机制会对其进行源头清洗（Source Sanitization）。

系统会将真实的银行卡号替换为一个强类型的占位符，例如 <payment-card:uuid>（装入密封信封）。 Agent在进行逻辑推理和跨步传递时，处理的始终是这个占位符。

当真正需要执行支付等关键动作时，Agent将占位符提交给可信保险柜执行器（Trusted Vault Executor）。此时，只有处于安全沙箱中的操作系统底层，才有资格拆开信封，还原真实数据并执行底层调用。如果操作触及敏感边界，系统会精准拦截，并向用户发起目的明确的授权请求。

此外，AOHP还实现了系统级的污点追踪（Taint Tracking）。无论这个占位符被复制、组合还是传递了多少次，系统都能完整追踪其来源与去向。这确保了Agent的高级能力不会沦为数据泄露的温床。

性能验证：完成率与成本的双重跃升

为了验证AOHP的实际威力，研究团队在真实的移动应用环境中进行了严苛的基准测试。他们采用了OpenClaw智能体，分别在原生安卓（基线）和AOHP环境中执行了30个复杂的跨应用任务。

实验数据展示了堪称降维打击的效果：

任务完成率大幅领先：在原生安卓上，Agent的平均完成率仅为54.44%。而在AOHP的加持下，这一数字飙升至75.56%（提升21.12%）。 AOHP多完美解决了7个传统Agent根本无法跨越的复杂任务。
执行成本断崖式下跌：在两者均能完成的子集任务中，AOHP展现了恐怖的效率。工具调用次数（Tool Calls）下降了44.64%（从233次降至129次）。任务总耗时缩短了44.21%（从约34分钟降至近19分钟）。最关键的是，LLM的Token总消耗锐减了51.55%（从7.10M降至3.44M）。

在安全测试环节，AOHP同样表现完美。面对特制的支付应用测试，系统成功将账户、卡号等字段显示为保险柜引用。在未授权的情况下，系统坚决实行“失败关闭”策略，彻底阻断了隐蔽的数据外泄。

工程启示与原生生态的未来演进

AOHP为整个AI硬件与系统生态指明了一条极具潜力的演进路径。目前的“屏幕解析+模拟点击”流派，本质上是在为陈旧的OS架构打补丁。真正通向AGI的操作系统，必须在底层为Agent提供原生语义接口与严格的信息流沙箱。

当然，该研究也坦诚了当前版本的局限性。最大的挑战在于兼容性覆盖与能力自动发现。对于那些采用了自定义渲染引擎（如游戏引擎）、具有反自动化逻辑或未提供标准侧面接口的顽固App，AOHP依然需要依赖更强大的视觉理解模型进行兜底。此外，未来还需要系统具备更强的自动化能力推断机制，以减少开发者手动标注接口的负担。

但毋庸置疑的是，AOHP迈出了Agent-Native OS极为坚实的一步。当操作系统不再局限于“应用容器”，而是进化为“意图引擎”时，人机交互的范式将被彻底改写。