"幫我點(diǎn)一杯奶茶。"
"幫我在京東上買一個(gè)籃球。"
"幫我在貓眼上買一張電影票。"
豆包手機(jī)和各家APP的控制權(quán)爭奪戰(zhàn)還未有一個(gè)結(jié)果，千問點(diǎn)外賣的操作也只是深度打通了自家的生態(tài)，如今火遍全網(wǎng)的小龍蝦（OpenClaw）也沒能解決跨端自動(dòng)化的難題。
但近日，兩位來自某硬件大廠的工程師張志勇和單文榜，卻用自研的Agent ZeroFlow?；诰邆涠嗄B(tài)能力的國產(chǎn)大模型，在安卓設(shè)備、Chrome 瀏覽器及 PC 桌面上完美實(shí)現(xiàn)了多模態(tài)操控能力ZeroFlow可以像真人一樣看屏幕、點(diǎn)擊、滑動(dòng)、輸入，完成一系列復(fù)雜的跨端自動(dòng)化任務(wù)。
在實(shí)現(xiàn)跨端自動(dòng)化任務(wù)的嘗試上，豆包手機(jī)和智譜的AutoGLM走的是截然不同的技術(shù)路線。
豆包手機(jī)通過與手機(jī)廠商合作，拿到了非常高的權(quán)限，可以繞過用戶或app的授權(quán)環(huán)節(jié)，但這也直接點(diǎn)燃了app廠商們的抵抗情緒，引發(fā)了后續(xù)一系列的封禁動(dòng)作。
智譜開源的AutoGLM則是基于adb協(xié)議拿到的操作權(quán)限，但這個(gè)模式無法直接在用戶手機(jī)上跑通，所以AutoGLM走的是遠(yuǎn)程虛擬機(jī)模式，在虛擬機(jī)里用adb操作用戶的手機(jī)。這種模式信任成本較高。
而ZeroFlow的解決方案核心依賴的是 Android 無障礙服務(wù)（Accessibility Service）。無障礙服務(wù)原本是 Android 為視障用戶設(shè)計(jì)的系統(tǒng)級輔助功能，申請?jiān)摍?quán)限后，Agent可以讀取屏幕內(nèi)容，獲取當(dāng)前界面所有文本、按鈕、輸入框的位置和內(nèi)容。同時(shí)，Agent可以模擬人類操作，執(zhí)行點(diǎn)擊、長按、滑動(dòng)、輸入文字等手勢。這套方案高度依賴Agent和底層模型的多模態(tài)操作能力，理論上是一套無法被App廠商封禁的解決方案。
原理聽起來很簡單，但實(shí)際的開發(fā)過程遠(yuǎn)比想象復(fù)雜。張志勇對創(chuàng)投家表示，其中一個(gè)最大的難點(diǎn)在于國內(nèi)的很多網(wǎng)頁在設(shè)計(jì)之初，為了防止自動(dòng)化操作（本質(zhì)上是"反爬蟲"和"反外掛"的延伸），設(shè)計(jì)了很多的驗(yàn)證步驟和工程上的"隱藏"。比如你看到一個(gè)按鈕在這里，但很有可能它的真實(shí)元素在一個(gè)非常遠(yuǎn)的地方。這讓從代碼維度理解網(wǎng)頁變得十分困難，但從多模態(tài)維度就相對簡單多了，這也正是有些大模型無法讀取網(wǎng)頁鏈接但可以讀取網(wǎng)頁截圖的根本原因。
另一方面，如何用最少的截圖讓Agent理解正確的意圖，也是一個(gè)工程優(yōu)化上的難點(diǎn)。
單文榜對創(chuàng)投家表示，網(wǎng)頁上的廣告彈窗、自動(dòng)跳轉(zhuǎn)都會給多模態(tài)理解造成干擾。用最強(qiáng)的多模態(tài)模型去理解，肯定可以給出最正確的答案，但是消耗的Token成本卻不一定是普通用戶能夠承受的。如何用便宜的模型、截取最少的圖、達(dá)到最好的理解效果，這也是非常有挑戰(zhàn)的工程難題。
當(dāng)聊到是否擔(dān)心大廠做出同質(zhì)化產(chǎn)品時(shí)，張志勇表示并不擔(dān)心。大廠基于自身的生態(tài)隔離，即使有這個(gè)技術(shù)，也無法去實(shí)現(xiàn)真正跨平臺、跨端的自動(dòng)化操作，因?yàn)橐坏┮患掖髲S下場，就會被其他大廠針對，這一點(diǎn)正是創(chuàng)業(yè)團(tuán)隊(duì)的優(yōu)勢。
ZeroFlow借鑒了OpenClaw的開源理念，針對安全性、模型適配性、便捷性進(jìn)行了深度架構(gòu)設(shè)計(jì)與優(yōu)化。
OpenClaw的核心安全風(fēng)險(xiǎn)在于它作為"擁有工具調(diào)用能力的AI"本身，能執(zhí)行shell命令、讀寫文件、發(fā)送消息、訪問網(wǎng)絡(luò)，如果prompt被注入攻擊或誘導(dǎo)，可能導(dǎo)致主機(jī)被控制、敏感數(shù)據(jù)泄露等問題。
ZeroFlow通過沙箱隔離+小模型脫敏機(jī)制應(yīng)對這一風(fēng)險(xiǎn)。一方面在workspace將用戶的敏感信息如密鑰信息隔離隱藏，讓AI自己都無法輕易找到敏感文件；另一方面，用小模型監(jiān)控所有用戶與大模型的信息交互，如遇到敏感信息，將會進(jìn)行脫敏加密處理。這樣用戶存儲在云端的敏感文件既無法被輕易找到，找到了也無法輕易解析。雙重機(jī)制下，ZeroFlow讓普通用戶在享受Agent便利的同時(shí)，隱私也得到最大程度的保護(hù)。
在便捷性上，ZeroFlow將龍蝦的使用門檻降到了新的"低度"。整個(gè)部署過程極度貼近互聯(lián)網(wǎng)產(chǎn)品使用習(xí)慣，幾乎感受不到。只需要打開瀏覽器，在網(wǎng)站上注冊一個(gè)賬號，就可以在對話框開始使用了。
OpenClaw因?yàn)榛贠penAI/Anthropic的Tool Calling規(guī)范設(shè)計(jì)，與國產(chǎn)模型的適配上一直存在一些問題。而ZeroFlow針對國內(nèi)主流大模型（如 Kimi、DeepSeek 等）做了工程調(diào)優(yōu)，不但優(yōu)化了工具調(diào)用上的體驗(yàn)，還優(yōu)化了提示詞工程，將提示詞長度平均縮短了近40%，顯著降低了Token成本。
張志勇對創(chuàng)投家表示，普通用戶使用ZeroFlow的Token成本大約可以降低30%。
ZeroFlow的誕生并非一次蹭流量的粗暴套殼。
當(dāng)大語言模型的浪潮剛剛涌現(xiàn)的時(shí)候，張志勇和單文榜團(tuán)隊(duì)就站在了最前沿。彼時(shí)，他們沒有追逐某個(gè)宏大敘事，而是在解決一個(gè)極其具體的痛點(diǎn)，如何讓工程師從繁復(fù)的編碼細(xì)節(jié)中解放出來，將智識真正用在創(chuàng)造上。于是，他們內(nèi)部孵化了第一代編程智能體，一個(gè)懂得上下文、能夠預(yù)判意圖、會主動(dòng)補(bǔ)全邏輯的"代碼伙伴"。
這個(gè)工具在他們的工程體系內(nèi)悄然生長。從 GPT-3.5 時(shí)代的樸素提示詞工程，到多輪對話記憶、工具調(diào)用、代碼審查閉環(huán)……每一次迭代，都是被真實(shí)需求逼出來的進(jìn)化。幾年間，這套系統(tǒng)幫助他們自身的研發(fā)效率實(shí)現(xiàn)了數(shù)倍級別的躍升。
OpenClaw爆發(fā)的時(shí)間點(diǎn)上，張志勇回憶，他們坐在會議室里，看著那些演示視頻，沉默了很久。不是因?yàn)檎痼@，而是因?yàn)樗麄冋J(rèn)出了某種熟悉的東西，他們走過的路，正在被更廣闊的世界重新走一遍。
那一刻，他們意識到，三年來鍛造的不只是一個(gè)編程工具，而是一套關(guān)于'讓智能體真正理解人類意圖并持續(xù)執(zhí)行'的方法論。
"如果這套方法論能讓工程師效率倍增，它為什么不能讓每一個(gè)行業(yè)的每一個(gè)人，都獲得同樣的解放？"于是，ZeroFlow 誕生了。
從左至右為單文榜、張志勇
"我覺得Agent確實(shí)能讓所有人的生活質(zhì)量獲得提升，所有人都應(yīng)該被解放出來做一些更高位的事情，但現(xiàn)階段最大的問題就是普通人接入的成本還是太高了。不僅指擁有一只龍蝦，更是讓這只龍蝦能夠自由地跨端自動(dòng)化替主人解決真實(shí)場景下的問題。所以，我們想做的就是一個(gè)0接入成本、打開瀏覽器就能用的通用Agent。"張志勇說到。
“ZeroFlow不是編程助手的平替，而是將編程智能體的核心范式（理解意圖 → 規(guī)劃路徑 → 調(diào)用工具 → 持續(xù)執(zhí)行 → 反饋迭代）遷移到了更廣泛的知識工作場景中。財(cái)務(wù)分析、運(yùn)營流程、內(nèi)容生產(chǎn)、數(shù)據(jù)洞察……凡是有重復(fù)、有邏輯、有輸出的地方，都是 ZeroFlow 可以駐扎的領(lǐng)地。”單文榜表示。
當(dāng)被問到為什么不選擇在前司內(nèi)部實(shí)現(xiàn)自己的理想時(shí)，張志勇和單文榜相視一笑："我覺得一群人肯定會走得更遠(yuǎn)，但一個(gè)人會走得更快。對于這個(gè)時(shí)代而言，快可能更重要。"
目前，依零科技已獲得個(gè)人天使和尚勢資本的近千萬天使輪投資，資金將主要用于產(chǎn)品功能的進(jìn)一步完善和推廣。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請綁定手機(jī)號后發(fā)表評論
感覺是有想法的技術(shù)人哈哈，很贊??