内容编辑丨特工小师 特工小天
内容审核丨特工少女
最近观察到智能手机一个很有趣的现象：
从去年底豆包第一代手机发布开始，「Agent 手机」这个词突然火了。但和身边真正买过这类产品的朋友聊天，他们的反馈出奇的一致：买的时候用了一段时间，后来就很少打开了。
问题出在哪？我思考了很久，总结了三点原因：
一是慢。大多数 Agent 手机走的是 GUI 自动化路线，AI 在屏幕上模仿人的操作，一步一步点给你看，但消费者不可能站在旁边等一个 Agent 花十分钟帮自己点一杯咖啡。同时，GUI 在安全方面存在风险，不是一条可持续的路径。
二是隐私做的不完善。对于用户，想让 AI 帮忙处理手机里的东西，往往数据要上云，这意味着要把手机里的隐私传到云端，大部分人心里还是抵触。
最后一点是 Agent 不够主动。智能如果停留在「你下发指令它来操作」，那可能不算真正的智能，因为手机里有着用户非常多的上下文，被动执行就永远不可能为用户带来真正的洞察和生产力的解放。
直到昨天，7 月 27 日 OPPO 官宣启动「小布 Next 计划」，开放行业首个端侧 Multi-Agent 协同系统内测。我们第一时间申请并拿到了内测资格。
这篇文章，想分享两件事：第一个是最前沿的端侧智能到哪一个阶段了；二是聊聊小布 Next 这套系统背后，OPPO 对下一代终端 AI 的判断。
小布 Next 的核心能力都有哪些？
小布 Next 想要解决的问题，和市面上大多数 AI 手机不一样。
OPPO 首席产品官刘作虎分享了它的核心设计理念：“主动智能将是 AI 真正的拐点。下一代 AI 应主动感知需求、主动服务用户，真正成为用户的智能伙伴”。
这次「小布 Next 计划」，就是对这个理念最好的实验。具体来说，小布 Next 的底层架构包含四个核心能力。
1. 端侧全域记忆系统。
小布 Next 会在用户授权的前提下，对手机里的便签、日历、文档、相册、录音等数据进行解析和组装。隐私数据的处理均在端侧完成，云端模型接触不到你的便签原文、录音声音或者相册原图。
当你问它一个问题时，它不是从零开始回答，而是先去你手机里「找上下文」。
2. 全时意图感知引擎。
它还会结合时间、地点、天气、日程、设备状态以及你当前的行为，判断什么时候该做什么，在合适的时机用合适的动作出现在你面前。
3.支持各种 Agent 能力扩展。
小布 Next 已经打通了 100 多项系统能力，包括读写便签、检索相册、编辑文档、写可执行脚本、修改系统设置、访问邮箱、联网搜索等功能。
与此同时，小布 Next 还兼容大量的第三方热门的 Agent 、Skill 和 MCP 服务。比如瑞幸咖啡、印象笔记、飞猪、微信读书 Skill、微博 CLI、美团 MCP 等等。
此外，不同于行业的 GUI 路线，在多 Agent 交互上，OPPO 坚持探索的是更为安全和可持续的 A2A 模式。
4. Multi-Agent 协作架构。
多个 Agent 可以组成群组协同工作，每个 Agent 有独立的记忆、技能和上下文窗口，像一支 7×24 小时在线的专家团。
此外，当前行业内的 Agent 类或 Claw 类产品普遍依赖云端服务器或个人电脑运行，你想让 AI 帮你处理复杂问题，往往需要把个人数据上传至云端。
而小布 Next 优先在端侧处理，必要时通过 OPPO 自研的 PCC 私密计算链路调用云端大模型。在邮件发送、支付等关键操作，小布 Next 坚持只做准备、不替用户做决定的原则，让用户始终掌握控制权。
小布 Next 一手实测
下面进入实测环节，这里我们使用的测试机型是 OPPO Find X9 Ultra。
进入手机，打开小布，必要权限同意后，它就开始帮助我们创建团队。
我的第一个测试场景是测试它的全域记忆系统。
在职场中，对于运营一个非常麻烦的事情是找资料，我在测试手机中搭建了一套标准样本：
围绕我们最近在推进合作的「FDE 共学营项目」，在便签、日历中分散放入 8 条信息，同时加入 2 条上次 PM 共学营项目的干扰信息。
然后我给小布 Next 下了一条指令：
整理过去 30 天与「FDE 发布会项目」有关的信息，生成一份项目交接包，每条结论标注来源，不要把其他项目混进来，无法确认的信息标记“待核实”。
接下来的结果，让我有点惊讶。
在完全授权的情况下，小布 Next 准确的找到了 8 条有效信息，还准确的排除了上次 PM 共学营的信息。从下达指令到生成结果，整个过程耗时约 2 分钟。
视频经过加速处理
如果我要用桌面 Agent 来做这件事，就需要先手动从各个应用里找到这些资料，再逐个手动粘贴上传。
光是找资料和上传这个步骤估计就要花 10 分钟，再花 5 分钟写提示词，再等 Agent 花 10 分钟整理，效率和最终准确率最终反而还不如小布 Next。
接下来，我们来测一下小布 Next 最有新意的部分：端侧 Multi-Agent 架构。
行业当前在 Agent 的协同架构上尚未形成统一共识，存在两条主流方向：
Codex 采用统一界面承接用户交互，遇到复杂任务时动态生成临时子 Agent 完成工作，用完即弃；而 Kimi Agent 集群、腾讯 WorkBuddy，则从底层设计上直接采用多 Agent 集群架构，先招人再干活。
这一次小布 Next 选择多 Agent 路线，主要出于两层考量。
第一是实现上下文分化。
单一 Agent 承接复杂任务时，某些模型很容易触及上下文窗口上限，把任务拆分交由多个 Agent 并行处理，既能提升整体执行效率，还能让每一个 Agent 维持独立的对话上下文空间，把复杂任务“压缩”到一个对话中，同时专家对于自己做过的事，会记住、会成长。
第二是实现专业化领域分工。
手机端场景的需求复杂度，远超各类垂直 AI 工具：Codex 主要面向代码编写、文档处理这类办公需求；手机用户的诉求却覆盖生活服务、健康管理、理财规划、育儿安排、出行规划等多元场景。
在手机端的复杂场景中，需要不同领域 Agent 各司其职，各自有各自的工作区和记忆，不串台，也不能因为上下文过于复杂而出现失误——就好像，你不会让一个健身教练兼职写你的工作报告一样。
小布 Next 的方案是提前内置覆盖多个大众用户需要的领域专家 Agent ，顶层主 Agent 负责理解用户真实意图、拆解整体目标并统筹分发任务，再由专家 Agent 去选技能、召回记忆、完成交付。
同时，也允许用户根据自己的实际需求，通过招募官一句话创建专家。
这个思路其实很合理：
在手机这个场景里，用户的生活需求不仅多样化，而且需求跨度很大，比如工作、健康、买房、育儿和出行，并且这些需求往往一起出现，很难由单个 Agent 长期处理。
与此同时，如果给一个 Agent 职责堆得越多，那么它的上下文极容易混乱，Skill 的选择也可能变得不稳定。
我创建了一个由活动策划 Agent、预算 Agent、内容 Agent 和风险检查 Agent 组成的群组。
接着，输入一个完整的活动策划需求：
帮我策划个在上海滨江举办的活动，30 人、总预算 5000 元、周六下午举行、需要投影和茶歇、场地距离地铁站步行不超过 10 分钟。
这个任务核心的执行难点在于：Agent 选择的场地要合适、并且要满足预算（最好是帮我降低预算）、此外还要帮我考虑活动的物料和突发风险。
这里，我打算先让单个 Agent 独立完成一次，再让 Multi-Agent 群组完成一次，通过这种对比，可以直观的感受到 Multi-Agent 的效果。
单 Agent 版本的问题很明显：虽然小布智能的选择了策划的小策来执行这个任务，整个方案看起来相对完整，但细看就会发现它花完了整体的预算，没有多省钱，并且也没有详细的考虑物料和活动的风险预案。
整体感受是属于常规 AI 助手，从一个角度“顺”下来的方案。
而 Multi-Agent 在执行这个任务的时候，多个 Agent 之间展开了“红蓝军博弈”，就信息同步和冲突检查，做出了更详细更省钱的方案：
活动策划 Agent 先提出的场地需求，预算 Agent “挑刺”费用并同步进入预算表，硬生生把总预算节省了至少 1000 元；与此同时，风险检查 Agent 对方案做了严格的“评审”，补充了风险和备案。
以往，这种精准的优化需要用户自己去找不同的 AI 助手，反复做两三轮探讨才能得出，但小布 Next 的专家团机制实现了自动选择专家，并且通过专家在不同领域的职责划分和各自领域的专业 Know How，把事儿想得更加“滴水不漏”。
视频经过倍速剪辑处理
真正让我觉得它有些惊艳到我的是，它的智能判断。我接着这个多 Agent 的聊天记录，告诉它，5 分钟后要开这个会。
它没有按照传统思维给我定个闹钟或者待办，而是主动快速帮我整理出一份精简版的执行清单：它输出的这份内容，开会必要的信息都集成在里面，仿佛就是一个合格的秘书，知道我需求之上的需求。
当然，小布的主动不仅在于此，它会基于前面提到的全时意图感知引擎，主动在合适的时间提醒你当下最重要的事情：
把原本一个庞大复杂的项目，拆解成一个个可以立刻行动的动作，甚至已经多做一步，只需要我来决策就好。
不只是记忆，而是更懂你的行动
体验下来，我对小布 Next 的产品逻辑有了更清晰的理解：
它的关键不在于记住更多，而在于把分散在手机里的信息、用户当下的意图，以及不同领域的专业能力，组织成可执行的下一步行动。
这套逻辑可以分为两层。
第一，把专家经验封装成可调用的能力。
小布 Next 不仅集成了丰富的系统工具和 MCP，具备接近桌面 Agent 的任务执行能力。
它还通过「人才市场」将热门 Agent、Skill 以及自研 Agent 封装成不同领域的专家。
用户不需要理解复杂的工具链，也不必为每项任务重新编写提示词。
面对各种生活里的复杂需求，既可以提给小布让他自动派发给适合的专家，也可以自主创建、选择新的专家，或让多个 Agent 协同完成任务。
第二，把用户上下文转化为行动。
全域记忆只是起点，真正有价值的是让这些记忆参与下一步工作。
它不只是记得你上周开过什么会，而是能在下一次会议前整理好相关资料；也不只是知道你正在推进什么项目，而是能在项目交接时，将散落在便签、日历、文档和录音中的信息拼成一份完整的交接材料。
从「回答问题」到「主动服务」，是小布 Next 与传统 AI 助手最本质的区别。
过去的 AI 助手更接近问答系统：用户发起请求，AI 给出回应。即使加入了工具调用，核心交互依然是「用户发起，AI 执行」。
小布 Next 试图进一步改变这一模式，让 AI 从被动的应答者，变成主动的准备者。这里的「主动」并不是替用户作决定，而是把原本浪费在等待和准备上的时间提前利用起来：
你在跑步时，它可以帮你起草双周报；你还没想起要准备会议资料时，它已经整理好了相关文档。但是否采用、是否修改、是否发送，决定权始终留在用户手中。
这种边界也体现在隐私与安全设计上：
个人数据优先在端侧完成解析和计算；确实需要云端推理时，再通过 PCC 安全链路调用云端大模型。涉及发送、提交等关键动作，则必须经过用户确认。
如果用一句话概括，小布 Next 真正想做的，是一套能够理解用户上下文、调用 Agent 专业能力，并提前帮助用户准备下一步行动的个人化智能系统。
端侧 Agent 的下一步：走进日常生活
2026 年，正被不少业内专家视为端侧 AI 手机规模化落地的元年。
但 AI 被装进手机，只是第一步。它能否摆脱演示阶段的新鲜感，真正进入用户的日常生活，才是 Agent 手机接下来必须回答的问题。
比单纯接管 GUI，Agent 手机更值得探索的方向，是让 Agent 深入系统能力与应用工作流，并通过开放、可信的方式与第三方服务协同。
比如在阅读场景中，AI 可以结合用户过去的笔记提供推荐；进入办公场景后，它可以关联文档、录音与日程，提前整理所需信息；需要调用第三方服务时，则由对应的 Skill、MCP 或专业 Agent 接手完成。
此前，OPPO 与支付宝已经率先落地基于 A2A 协同的多 Agent 协同方案，将小布的端侧意图理解能力与支付宝“阿宝”的服务履约能力打通：用户一句话即可完成生活缴费、电影购票、政务办理等服务。
这种由 Agent 之间直接协作完成任务，而非依赖模拟点击界面的方式，也为 AI 时代的应用生态提供了新的实践路径。
这也是小布 Next 目前最值得关注的地方：它尝试将端侧全域记忆、全时意图感知、系统能力和 Multi-Agent 协作整合到同一套端侧框架中，让主 Agent 负责理解用户、规划任务，再调度不同专业 Agent 与第三方服务协同完成执行。
在这一过程中，OPPO 也是坚持以 A2A 多 Agent 交互为核心的开放生态，让不同 Agent 在各自保留数据、能力和权限边界的前提下完成协作，推动 AI 从一个孤立的对话入口，逐步进入用户真实的工作流。
最后，当 Agent 手机从概念走向生活，用户针对端侧手机的评价标准也会从「演示效果」转向「能否长期信任」。
这种信任来自多个方面：不仅来自隐私安全，也取决于任务执行是否稳定、结果是否准确、过程是否透明，以及用户能否始终保有最终决定权。
小布 Next 采用端侧优先的处理方式，并为云端调用和关键操作设置相应的安全边界，正是在尝试回应这些问题。
主动智能还没有标准答案，OPPO 推出的「小布 Next 计划」，就是希望与 AI 开发者、技术爱好者及生态伙伴共同探索真实场景，持续丰富 AI 和 Skill 生态。
与其说它已经给出了 Agent 手机的最终答案，不如说，它展示了 OPPO 对下一代终端 AI 的一种探索方向。
如果你也在关注端侧 AI 的发展方向，你的机型也符合招募条件，不妨去申请体验下！
- 完 -