PalmClaw: A Native On-Device Agent Framework for Mobile Phones

📄 arXiv: 2607.13027v1 📥 PDF

作者: Hongru Cai, Yongqi Li, Ran Wei, Wenjie Li

分类: cs.CL, cs.AI

发布日期: 2026-07-14

🔗 代码/项目: GITHUB

💡 一句话要点

提出PalmClaw框架以提升移动设备上的智能代理性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 移动代理 大型语言模型 任务自动化 智能手机 开源框架 用户体验 设备能力

📋 核心要点

  1. 现有移动代理主要通过图形用户界面操作，导致执行边界难以定义且无法直接访问设备能力。
  2. PalmClaw框架在移动设备上本地运行，管理代理的会话和工具，直接利用设备能力，确保每个动作的明确性。
  3. 实验结果显示，PalmClaw在任务成功率上提高了11.5%，完成时间减少了94.9%，且设置负担更低。

📝 摘要（中文）

大型语言模型（LLM）代理已从生成响应发展到执行多步骤任务，通过调用工具、观察结果并迭代决定下一步行动。现有代理系统主要在桌面或服务器上运行，支持工具使用和任务自动化。然而，移动设备作为重要的代理环境，因其广泛的可及性和用户数据、传感器及日常应用的集成，亟需更有效的解决方案。PalmClaw是一个开源代理框架，能够在移动设备上本地运行，直接管理会话、内存、技能、工具和代理循环。它将设备能力作为工具显式暴露，具有明确的参数、结构化结果和清晰的执行边界，从而使代理能够直接利用移动能力，确保每个动作的明确性和可控性。实验结果表明，PalmClaw在任务成功率上相较于最强基线提高了11.5%，并将完成时间减少了94.9%。

🔬 方法详解

问题定义：现有移动代理系统主要依赖图形用户界面进行操作，导致执行过程复杂且难以定义边界，无法直接利用设备的内在能力，影响了任务的执行效率和成功率。

核心思路：PalmClaw通过在移动设备上本地运行，直接管理代理的会话、内存和工具，显式暴露设备能力，使得代理能够直接调用设备功能，确保每个动作的明确性和可控性。

技术框架：PalmClaw的整体架构包括会话管理模块、内存管理模块、技能和工具管理模块，以及代理循环模块。每个模块负责不同的功能，确保代理能够高效执行任务。

关键创新：PalmClaw的主要创新在于将设备能力作为工具显式暴露，并定义明确的参数和执行边界，这与现有依赖GUI操作的代理系统有本质区别。

关键设计：在设计中，PalmClaw采用了结构化的结果输出和明确的参数设置，确保每个操作的可控性和可追溯性，同时减少了设置负担。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PalmClaw在任务成功率上相较于最强基线提高了11.5%，并将完成时间减少了94.9%。这些结果显示了PalmClaw在移动设备上执行复杂任务的显著优势，且设置负担更低，操作更为简便。

🎯 应用场景

PalmClaw框架的潜在应用场景包括智能手机助手、移动设备上的任务自动化、以及个性化服务等。其能够直接利用设备能力，提升用户体验，具有广泛的实际价值和未来影响力，尤其是在日常生活和工作中。未来，PalmClaw可能会推动移动智能代理的发展，使其更智能和高效。

📄 摘要（原文）

Large Language Model (LLM) agents have moved beyond generating responses to executing multi-step tasks by calling tools, observing the results, and iteratively deciding the next action. Most agent systems run on desktops or servers, which support tool use and task automation. Mobile devices are also important agent environments because they are widely accessible and contain users' data, sensors, and daily-use applications. Existing mobile agents mainly operate smartphones through graphical user interface (GUI) actions such as tapping, swiping, and typing, which often form long, interface-dependent sequences, cannot directly access device capabilities, and make execution boundaries difficult to define. We present \textbf{PalmClaw}, an open-source agent framework that runs natively on mobile phones and manages the sessions, memory, skills, tools, and agent loop directly on the device. PalmClaw exposes device capabilities as device tools with explicit arguments, structured results, and clearly defined execution boundaries. This design enables agents to use mobile capabilities directly while keeping each action explicit and controlled. Experiments show an 11.5\% relative improvement in task success and a 94.9\% reduction in completion time over the strongest baseline, with lower setup burden and traces illustrating how execution boundaries are applied. Code is available at https://github.com/ModalityDance/PalmClaw.