IPADS-SAI/MobiAgent

MobiAgent – カスタマイズ可能なモバイルエージェントフレームワーク

何であるか – MobiAgentは、スマートフォン（AndroidまたはHarmonyOS）上で大規模言語モデル（LLM）ベースの「エージェント」を直接実行できるオープンソースシステムです。3つの主要な要素をバンドルしています：

コンポーネント	役割
MobiMind	モバイルタスクに最適化されたLLMのファミリー（決定者、計画者、接地者）。
AgentRR	エージェント記録・再生 – 成功したアクションシーケンスをキャッシュし、後続の実行を高速化できる軽量フレームワーク。
MobiFlow	複数ステップ・クロスアプリケーションワークフロー（例：検索、購入、メッセージ送信）を評価するベンチマーク。

主な特徴

デバイス内推論 – モデルは電話上でvLLMで提供可能、またはローカルサーバー経由。量子化された2ビット/8ビットバージョン（MobiMind-1.5-2B-W8A8）が提供されています。
モジュール式メモリシステム
- ユーザー・プロファイルメモリ（Mem0）：MilvusベクトルDBまたはNeo4j GraphRAGに保存され、パーソナライズされた計画に使用。
- 経験メモリ：類似した過去の実行を検索。
- アクションメモリ（AgentRR）：キャッシュされたアクションツリーを再利用。
マルチタスク実行 – ADB経由で複雑なクロスアプリケーションワークフローをオーケストレーション可能（例：「小紅書で検索 → 淘宝で購入 → ワイチャで結果を送信」）。
統合GUIランナー – MobiAgent、UI-TARS、AutoGLM、Qwen-VL、Geminiなど、多数のバックエンドをワンクリックで設定可能。
拡張可能なワークフローパイプライン – データクリーニングやカスタムワークフロー定義をサポート。
ベンチマークと結果 – MobiFlowベンチマークと視覚的評価チャートがリポジトリに含まれます。

アーキテクチャ概要

+-------------------+      +-------------------+      +-------------------+
|   決定者モデル   | ---> |   計画者モデル   | ---> |   接地者モデル  |
+-------------------+      +-------------------+      +-------------------+
        ^                         ^                         ^
        |                         |                         |
        |   AgentRR（記録／再生）   |   メモリモジュール（プロファイル、経験）
        |                         |                         |
        +-------------------+-----------------------------+
                            |
                        ランナー
        （ADB経由で電話に接続、UIアクションを発行、トレースを記録）

READMEの図（assets/arch.png）が同じフローを視覚化しています。

セットアップ手順（クイックスタート）

Python環境のインストール – conda環境（python=3.10）を作成し、pip install -r requirements.txt（またはランナーのみ必要な場合はrequirements_simple.txt）を実行。
スマートフォンの設定 – ADBKeyboard APKをインストール、USBデバッグを有効化、USB接続で接続。
モデルのデプロイ – HuggingFaceまたはModelScopeからMobiMindチェックポイント（例：MobiMind-1.5-4B）をダウンロードし、vllm serve … --port <port>で提供。
（オプション）メモリの設定 – ベクトル検索用にMilvusコンテナ、GraphRAG用にNeo4jコンテナを起動し、.envにURLとモデルパスを記入。
エージェントの実行 – runner/mobiagent/task.jsonを編集して実行したいタスクを設定し、次を実行：
```
python -m runner.mobiagent.mobiagent \
    --service_ip localhost \
    --decider_port 8000 \
    --planner_port 8002 \
    [--user_profile on] [--use_experience]
```
マルチタスクシナリオにはrunner.mobiagent.multi_task.mobiagent_refactoredエントリポイントを使用。
Androidアプリの試用 – リリースページ（v1.0.1）から事前ビルドされたAPKをダウンロードし、ポイント＆クリック体験を試してみてください。

例：利用事例

パーソナルアシスタント – ユーザー固有の推奨、買い物、メッセージアプリ経由での結果送信。
企業自動化 – 内部アプリ間の繰り返し作業（例：データ入力）を自動化。
研究 – MobiFlowスイート上で新しいプロンプティングや計画戦略をベンチマーク；メモリ拡張エージェントの実験。

評価

READMEには3つの結果図（assets/result1.png–3.png）とAgentRRのパフォーマンスチャート（assets/result_agentrr.png）が含まれています。これらの結果は、再生とメモリモジュールを使用した場合、ベースラインのLLMエージェントよりも高いタスク完了率と低いレイテンシを達成していることを示しています。

リリースハイライト（時系列）

2025-08-30 – オープンソースリリース。
2025-12-26 – デバイス内推論の完全サポート。
2025-12-08 – MobiMind-Reasoning-4BおよびそのAWQ量子化バージョンのリリース。
2026-07-17 – 最初のプロアクティブデバイス内エージェントシステム「ClawMate」、デバイス内推論フレームワーク「MobiInfer」、2ビット量子化モデルのリリース。
持続的な追加機能：カスタムワークフロー、マルチタスク実行、ユーザー・プロファイルメモリ、マルチモーダルモデル（Qwen3-VL）など。

引用

学術的な研究でMobiAgentを使用する場合、READMEにリンクされている2つのarXiv論文を引用してください：

@misc{zhang2025mobiagentsystematicframeworkcustomizable,
  title={MobiAgent: A Systematic Framework for Customizable Mobile Agents},
  author={Cheng Zhang and Erhu Feng and Xi Zhao and Yisheng Zhao and Wangbo Gong and Jiahui Sun and Dong Du and Zhichao Hua and Yubin Xia and Haibo Chen},
  year={2025},
  eprint={2509.00531},
  archivePrefix={arXiv},
  primaryClass={cs.MA},
  url={https://arxiv.org/abs/2509.00531}
}
@misc{liu2025trainingenablingselfevolutionagents,
  title={Beyond Training: Enabling Self-Evolution of Agents with MOBIMEM},
  author={Zibin Liu and Cheng Zhang and Xi Zhao and Yunfei Feng and Bingyu Bai and Dahu Feng and Erhu Feng and Yubin Xia and Haibo Chen},
  year={2025},
  eprint={2512.15784},
  archivePrefix={arXiv},
  primaryClass={cs.AI},
  url={https://arxiv.org/abs/2512.15784}
}

詳細情報の入手先

論文: https://arxiv.org/abs/2509.00531 (MobiAgent) および https://arxiv.org/abs/2512.15784 (MobiMem)
モデルハブ: HuggingFaceコレクション IPADS-SAI/mobimind
デモ動画 – README内のGitHub添付URLからリンク。
サブモジュールドキュメント – 各フォルダ（agent_rr/、runner/、MobiFlow/など）には独自のREADME.mdがあり、詳細な使用方法が記載されています。

上記のすべての情報はリポジトリのREADMEから直接取得；外部の仮定は一切追加されていません。