论文阅读 - 端云协同

EcoAgent

论文 [] 设计了一个端云协作的闭环推理和执行算法 EcoAgent：云端大模型做规划与反思，端侧小模型做 UI 操作、结果验证和屏幕摘要.

输入是用户指令 Ins 和初始手机屏幕状态 S0，输出是最终手机状态 Sf. 算法先调用云端 Planning Agent 做初始规划：

$$ P_0 = DualReACT(Ins, S_0) $$

得到一个计划 P0，每个步骤是一个二元组：$(ST_t, EX_t)$. 其中 ST_t 是第 t 步操作目标，EX_t 是该步的期望结果. 然后端侧 Execution Agent 根据当前屏幕 S_t 和步骤 ST_t 执行动作，Observation Agent 再检查执行后的屏幕 S_{t+1} 是否符合期望 EX_t. 如果失败，就把端侧压缩后的屏幕历史传回云端，由云端反思并重新规划.

Dual-ReACT

论文最核心的方法是 Dual-ReACT. 它扩展了传统 ReACT 的 “Reason + Act” 思路，把推理分成两层.

第一层是 Global ReACT. 云端 Planning Agent 先看用户指令和初始屏幕，生成一个全局屏幕描述，然后把任务拆成若干中间子目标.
$$ P_0 = GlReACT(Ins, S_0) $$
第二层是 Local ReACT. 对每个子目标，云端进一步生成具体可执行的步骤 ST_t，并同时生成该步骤执行后的期望屏幕状态 EX_t.
$$ P_0 = {LoReACT(ST_1, EX_1), ..., LoReACT(ST_t, EX_t)} $$

也就是说，端侧小模型不需要自己做复杂长程规划，只需要执行当前步骤，并判断“当前屏幕是否符合云端给出的期望”.

Execution Agent

Execution Agent 部署在设备端，输入当前屏幕 S_t 和当前步骤 ST_t，输出具体操作 O_t：

$$ O_t = EA(S_t, ST_t) $$

这里的 EA 是经过 GUI 操作能力适配的小多模态模型，例如 ShowUI 或 OS-Atlas. 它的强项不是复杂推理，而是视觉定位和具体点击/滑动/输入.

论文定义的动作空间包括两类. 第一类是输入操作：Tap(x,y) 等等；第二类是导航操作：PressBack() 和 PressHome(). 作者额外加入了 DeleteText() 的动作，用来清空输入框，解决输错后难以重新输入的问题.

Observation Agent

Observation Agent 也在设备端，但它的职责是验证. 它输入执行后的屏幕 S_{t+1} 和该步的期望结果 EX_t，输出验证结果 R_t：

$$ R_t = OA(S_{t+1}, EX_t) $$

如果 R_t = Success，说明当前步骤达成，继续执行下一步；如果 R_t = Fail，说明当前计划可能偏离了，需要触发云端反思与重规划. 论文强调，这样可以避免每一步都把截图传到云端让大模型检查，从而降低延迟、token 成本和隐私风险.

Pre-Understanding

为了让云端在失败时能重规划，系统仍然需要知道执行轨迹. 但论文不直接把完整截图作为 Memory，而是在 Observation Agent 里加入 Pre-Understanding 模块，把屏幕 S_{t+1} 压缩成文本表示：

$$ T_{t+1} = PreUnderstand(S_{t+1}) $$

作者认为，重规划通常不需要完整截图的所有细节，只需要知道屏幕状态如何变化、任务进展到哪里、失败点是什么. 论文提到，原始屏幕图像通常会消耗 1400+ token，而压缩后的文本描述只需要 50–150 token.

Memory Reflection

一旦 Observation Agent 判断某一步失败，端侧会把压缩后的屏幕文本 T_{t+1} 加入 Memory. 云端 Planning Agent 再调用 Reflection 模块，根据用户指令、上一轮计划和执行历史生成新计划：

$$ P_n = Reflection(Ins, P_{n-1}, Memory) $$

这一步让 EcoAgent 的端云协作从开环变成了闭环.

EcoAgent