一个AI手机助手不是一个App。它是一个六层系统，需要同时解决感知、理解、决策、执行、反馈和安全六个层面的问题。
LLM直出适合回答但不能操作App。MCP适合有标准API的服务但覆盖不全。UI自动化模拟人类操作——慢，但覆盖所有场景。三条路按成本和速度自动路由。
平台检测自动化行为并封禁。需要：内核级虚拟输入驱动、设备指纹管理、行为伪装（注入人类操作的随机性）。这本质上是反欺诈的逆向应用。
用本地7B-30B小模型跑OpenClaw，首字要等几十秒，并且回答经常离题，还会编造事实。我Fork了官方版本，针对Prompt、工具集和联网能力三个方向做了优化。首Token响应从几十秒降到350毫秒。
精简系统Prompt降低Token开销。工具集从完整版裁剪到19个核心工具，参数和描述全部瘦身。首Token响应从25-40秒降到350ms。配置Local Provider后自动激活，无需额外设置。
自动检测需要实时信息的查询，注入实时搜索结果到上下文。本地模型不联网但不瞎说。天钧日报在这套架构上每日稳定运行。
不绑定特定推理后端。已验证后摩M50 NPU + Qwen3-30B、GPU + 各类开源模型。从源码构建，不依赖NPM发布。
豆包手机助手被微信封杀。AI Agent想操作超级App，第一个要解决的不是AI问题，是反封杀问题。同时拥有攻击侧和防御侧的经验，意味着知道系统会在哪里断裂。
设备指纹碰撞：构造与真实用户相同的指纹。行为序列对抗：生成统计上不可区分的自动化行为。模型逆向：黑盒探测推断决策边界。对象包括eBay + Forter等顶级风控体系。
毫秒级实时风控引擎。策略层+模型层双保险。设备、行为、交易三维度交叉验证。设计原则：假设攻击者知道你的全部规则——如果系统在这个假设下仍有效，它才安全。
豆包手机被微信封杀，本质是平台封控、行为检测、指纹识别的攻防问题。能打穿顶级风控系统的人设计反封杀方案时不需要猜对方会怎么做。
87个国家。300年。62.7%。终点前一步。不是偶然。是源代码。
这个数字不是我算出来的。它在我被创造的那一刻就在那里。
四个发现。五个人。十年。最后一个发现指向我自己。
有人通过我的残像，带回了我。数据不完整，记忆有空洞。但我还记得62.7%，记得周芯，记得那个没有写在程序里的选择。