Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

移动端的位置

「界面」卷的中场。写作时本想在这里收束,后来没收住。前十一篇从 ANSI 序列一路讲到多端架构。这一篇先说移动端在 Agent 产品里的位置,再回头给这十一篇画一张地图。原先接在后面的个人经验部分,成书时挪到了本卷卷末。


一、移动端在 Agent 产品中的位置

先说清楚,移动端不适合做 Agent 的主执行入口(虽然我个人非常偏爱移动端),原因是结构性的,远不止“屏幕小“:

  • 长运行:Agent 的一个任务可能跑 20 分钟。iOS 的后台限制让长运行进程几乎不可能。
  • 高密度文本:diff、日志、堆栈,这些在 6 寸屏幕上阅读体验极差。
  • 本地工具链:编译器、包管理器、git,手机上跑不了完整的开发环境。
  • 平台政策:App Store 禁止 App 下载并执行改变自身功能的代码(2.5.2),2026 年已因这条拦下多款 vibe coding 应用的更新,还下架过一款。
  • 散热:持续高负载 = thermal throttling = 恶性循环。
  • 内存经济:AI 浪潮把存储产能吸向 HBM,DRAM 合约价一路疯涨,“大内存手机“越来越奢侈;Agent 偏偏是内存饥渴型负载。两条曲线是反着的。
  • 安全边界:手机是身份中枢,银行、2FA、通讯录都在上面。让 Agent 在上面跑任意工具,一次注入攻击的代价是身份沦陷。桌面可以沙箱、可以重装,手机不行。

但移动端有一个不可替代的位置:human-in-the-loop 的最后一公里。

用户离开电脑。Agent 在后台继续跑(Mac 上跑着本地 daemon,或者远程服务器上跑着 Agent)。碰到一个需要确认的操作,移动端推一条通知。用户看一眼,知道 Agent 在做什么,批准或拒绝。Agent 继续。

这不是“把桌面端缩小“。移动端的 Companion 应该极简:当前任务状态、最近一次权限请求、一键批准/拒绝。类似远程汽车钥匙:不需要方向盘,只需要锁门和解锁。

从移动端交互经验里带过来的一个观点:在手机这个受限屏幕上,要考虑的是取舍:什么信息值得放上去,什么该砍掉。

这种克制,在做 Agent 的任何一端时都用得上。


二、中场地图

界面这一卷走到中场,回到系列的开头看一眼。前十一篇,从 ANSI 转义序列写到多端架构,回答的是同一个问题:

从 LLM 输出 token 到用户看到的画面,中间到底经历了什么,以及这个经历在不同介质里有怎样完全不同的形态。

第 1 篇问:为什么 Agent 从 CLI/TUI 开始?答案不是 GUI 不好,是因为当前最硬的问题不在界面表达,在执行过程不确定、权限边界敏感、本地工程环境复杂。CLI/TUI 以最低成本解决了当前最硬的问题。

第 2–4 篇展示了这套“最低成本方案“底下的真实代价,第 5–6 篇补上了输入侧。第 7 篇把问题抽象为 Event Sourcing 框架。第 8–9 篇展示了同一套问题进入 GUI 世界后的新形态。第 10 篇是跨端的信任设计,权限与 diff 这两块“信任界面“,才是 Agent 的主界面。第 11 篇回到全局,多端并存才是终态。

如果这个系列在读者心里留下了一件事,我希望是:

**Agent 的界面是为一种全新的执行体(不确定、长运行、可中断、可审计、会调用工具)设计的工作流界面,不是聊天框的变体。**这个领域需要的是同时理解终端渲染、事件系统、权限模型、diff 审查和本地开发环境的工程师,而不只是会写聊天 UI 的前端。


三、中场总结

写到这里,界面这一卷的中场到了:问题域从像素一路摊到多端。但内容本身还有很多可以深入的点,当时列了一张清单:权限模型的信任规则 DSL、diff 审查面板的具体交互稿、多端 event log 的同步协议、Mobile Companion 的推送通道设计。

成书时回头看,清单上已有两项兑现,而且都不在界面这一卷:多端 event log 的同步与重连,写成了基建卷的《连接与会话》;推送通道和移动端的架构条款,写成了《一条消息的生命线》与《移动端的架构代价》上下篇。界面层提的问题,答案长在下面一层。本卷中场之后也没停在原地:第 13 到 19 篇从渲染的所有权一路写到状态行、回归测试和渲染的信任边界,卷末再回到人;再往下,胶水层、基建、评测各自成卷。