2025年被称为“智能体元年”，2026年Xiaomi mclaw等产品将手机核心能力封装为数十项系统级工具——手机智能体不再只是语音助手，而是嵌入操作系统的执行主体。电信终端产业协会这份报告系统拆解了手机智能体的四层参考架构、端云协同部署模式与系统级工具封装技术，为理解这一“终端操作层”变革提供了完整的技术框架。

报告将手机智能体的技术架构抽象为自下而上的四层模型。智能交互层是用户与智能体的接口，负责接收多模态输入（语音、文本、图像），通过NLP、ASR等技术将原始输入转化为结构化信息，并将执行结果反馈给用户。智能连接层负责连接物理世界和数字世界，通过调用手机各类传感器（GPS、麦克风、摄像头、加速度计）和系统信息（时间、网络状态、日历事件），实现全方位情境感知，为上层决策提供丰富的环境数据。
智能中枢层是智能体的“大脑”，由大模型驱动，负责意图理解、任务规划、决策生成、全局记忆等核心认知任务，将用户的复杂意图分解为一系列可执行的原子操作序列。智能执行层是智能体的“手脚”，通过调用操作系统API、应用标准化接口或模拟UI操作，与各种应用、智能体和智能硬件交互，最终完成任务。四层协同形成“感知—规划—行动—反馈”的动态闭环，确保智能体在复杂多变的环境中能够灵活完成任务。

受限于手机端算力、功耗、散热和上下文窗口等约束，当前手机智能体普遍采用端云协同架构。端侧主要负责高敏感数据处理、用户状态感知、本地权限管理、工具触发、部分缓存记忆以及近实时交互；云侧主要承担复杂推理、长链任务规划、多轮对话语义整合、语音合成与更高质量模型推断。
端云协同的价值不仅在于平衡性能与体验，更在于为“隐私保护与能力扩展并存”提供现实技术路径。以Xiaomi mclaw为例，其核心敏感数据用完即弃或优先在本地私有目录存储，对敏感操作要求显式确认。这表明端云协同正在从“推理分工”走向“治理分工”——既在性能上满足用户要求，也在安全方面满足不同使用场景的需求。

手机智能体区别于传统语音助手的核心能力之一是系统级工具封装。手机厂商将拨号、短信、相册、日历、相机、系统设置、IoT控制等能力封装为结构化工具，统一提供给模型调用。当前这一中间层正在由意图框架、skills、MCP/SDK与子智能体共同构成。以华为小艺为例，其已同时支持系统意图框架、MCP客户端、第三方SDK和多智能体接入，说明手机智能体能力层正在向“多层可扩展能力栈”演进。
当前智能体执行形成两条主要路径。第一条是结构化调用路径——通过系统API、Intent、SDK、MCP等方式调用明确暴露的能力接口，稳定、可控、便于审计。第二条是GUI执行路径——智能体通过视觉理解页面并模拟点击、滚动、输入等操作，在未开放结构化接口的场景中直接完成任务。豆包手机助手展示了这一思路：依靠截图理解界面并以打字、点击、滚动方式执行任务，同时在登录、支付、验证码等敏感节点要求用户接管。未来成熟的手机智能体将形成“结构化调用优先、GUI执行兜底、高风险场景人工接管”的混合模式。