最近 iPhone-use 挺火，梳理了一些主流的实现方案。同样是让 AI 操作 iPhone，Agent 在哪里运行、如何读取屏幕、怎么执行动作，其实很不一样。 1. 首先是 @zhongerxin 的 iPhone-use，是比较典型的解决方案 电脑上的 Agent 通过 WebDriverAgent（WDA）操作手机。WDA 和目标 App 都在同一台 iPhone 上，底层由 XCTest 执行点击、滑动和输入。 支持原生元素信息和截图，可以按按钮文字定位，也可以看图点坐标。当前工作流需要 Mac、Xcode、开发签名，以及电脑上的 Agent、MCP 和转发服务。 https://t.co/9DOApfNjbr 2. @wsvn53 的 OpenMinis/iCTRL iCTRL 自己实现了 XCTest Runner 和接口，提供原生元素查询、截图、OCR 和输入操作。Runner 和目标 App 在同一台 iPhone 上，底层仍是 XCTest。 Agent 可以在电脑，也可以在同一台手机上，因此日常运行可以不依赖电脑常驻。不过，签名、Developer Mode、DDI 和测试 Runner 的运行环境仍需要准备。非常喜欢的一个硬核项目。 https://t.co/Vty5BFeqKG 3. @iamhenryyuan 的 esp32-iphone-agent，通过模拟鼠标+键盘操作 电脑通过 AirPlay 获取手机画面，视觉 Agent 决定动作，再通过 Wi-Fi 给 ESP32-S3 发命令。板子模拟 USB 鼠标键盘，负责执行输入。 输入执行不依赖手机测试 Runner，但需要电脑运行 Agent 和投屏接收器。可以用 Linux。 https://t.co/IhWekwZz9F 4. 我自己做的 anan-iphone-use 仿照 3 的原理，在 ESP32-S3 上部署了 MCP Server，模拟 USB 鼠标键盘执行点击、拖动和输入。同一根 USB 线同时承载网络通信和输入操作。 我在 iPhone 上安装了自己的客户端 agent，这样就避免了 AirPlay/投屏/电脑的引入，只需一部手机。理论上任何支持 MCP 的 client 都可以通过这个方式控制 iPhone，无需 XCTest，WD