Der Agent, der das Telefon auf einem Bildschirm bedient, den niemand sieht

Das Erste, was man über Mika wissen sollte, ist das, was es einem nicht wegnimmt: den Bildschirm.
Jeder Telefon-Agent, den ich probiert habe, funktioniert gleich. Er übernimmt das Display, tippt sich in der Geschwindigkeit eines nervösen Praktikanten durch die Apps und gibt das Telefon zurück, wenn er fertig ist. Man kann sein eigenes Gerät nicht benutzen, während er arbeitet. Mika läuft komplett auf einem zweiten, versteckten Bildschirm – man scrollt weiter, während es an seiner Stelle jemandem schreibt.
Es ist eine Android-App, Apache-2.0, in Kotlin geschrieben, nach einem Monat auf GitHubs Trendliste bei rund 7.500 Sternen. Es gibt keinen Server. Man bringt einen Modellschlüssel mit oder meldet sich mit einem bestehenden Konto an.
Wie der Hintergrundbildschirm funktioniert
Android unterstützt virtuelle Displays seit langem – so sind Casting und Bildschirmaufnahme umgesetzt. Mika nutzt eines als Arbeitsfläche: Apps öffnen dort, der Agent tippt, schreibt und scrollt dort, und eine kleine schwebende Live-Ansicht lässt einen zusehen, wenn man will. Ein Doppeltipp auf eine Kapsel, und der Agent sieht stattdessen, was auf dem eigenen Bildschirm steht – so fragt man „wie antworte ich darauf?“
Das Clevere daran: Der Agent braucht keine Integration pro App. Er schaut auf den Bildschirm und findet Knöpfe wie ein Mensch. Keine APIs, keine Plugins, keine Kooperation des App-Entwicklers. Das ist auch der unangenehme Teil, und darauf komme ich zurück.

Einrichtung in drei Schritten, einer davon ungewöhnlich
APK von der Releases-Seite installieren, Android 11 oder neuer. In den Einstellungen einen Modellanbieter wählen und einen Schlüssel einfügen oder sich mit einem ChatGPT-, xAI- oder OpenRouter-Konto anmelden. Optional auf ein Modell zeigen, das im lokalen Netz auf dem eigenen Rechner läuft – das README unterstützt ausdrücklich einen eigenen Endpoint.
Der dritte Schritt ist der interessante. Um andere Apps zu bedienen, braucht Mika das drahtlose Debugging von Android, einmal aktiviert und gekoppelt. Das gibt die Rechte, das virtuelle Display zu erzeugen und Eingaben zu injizieren. Ein Assistent führt durch den Vorgang, und für Telefone, deren ROM den Schalter versteckt, gibt es einen dokumentierten Fallback über USB.
Das ist eine echte technische Entscheidung mit echten Folgen. Sie bedeutet, dass Mika auf Telefonen läuft, die nie einen Agenten auf Basis von Accessibility Services bekommen werden – und dass die erteilte Berechtigung breiter ist als bei einer normalen App. Das README ist ehrlich über den Handel: Android schaltet drahtloses Debugging ab, wenn man das WLAN wechselt oder neu startet, also aktiviert Mika es mit Erlaubnis erneut, und man muss eventuell neu koppeln.
Worin es wirklich gut ist
Die Demo-GIFs sind der nützlichste Teil des Repos, weil sie gewöhnliche, langweilige Aufgaben zeigen statt Magie. Eine WeChat-Gruppe lesen und zusammenfassen, was heute gesagt wurde. Ein Ladegerät unter 30 Dollar mit 4,5-Sterne-Bewertung in den Warenkorb legen und vor dem Checkout stoppen. Die letzten Posts einer Creatorin auf Xiaohongshu lesen und zusammenfassen. Recruiter für drei Stellenangebote begrüßen. Werbung schauen, um Musik-Boni freizuschalten. Essen bestellen mit gestapelten Rabatten und vor dem Bezahlen nachfragen.
Diese Liste ist eine gute Karte des Nutzens. Es sind Aufgaben mit klarem Erfolgskriterium, ohne Kreativität und mit langweiliger Oberfläche. Genau die Arbeit, die niemand auf dem Telefon machen will, und genau die Arbeit, die ein bildschirmlesender Agent ohne API erledigen kann.
Die chinesischen Apps in den Demos sind kein Zufall. WeChat und Xiaohongshu haben keine öffentlichen Automatisierungs-APIs und werden nie welche bekommen – das macht sie zum perfekten Stresstest. Das README merkt an, Mika sei nicht an sie gebunden, und das stimmt; aber der Grund, warum diese Apps in der Demo auftauchen, ist, dass „jede App, keine Integration“ sich nur an Apps beweist, die sich der Integration verweigern.
Die Leitplanken sind das Design
Zwei Dinge fallen auf.
Erstens: Es gibt die gefährlichen Teile ab. Logins, Bestätigungscodes und Zahlungen kommen zurück. Seiten, die Screenshots blockieren – Zahlungsflüsse, Passworteingabe –, werden ebenfalls übergeben. Der Agent ist angewiesen, am Kaufen-Button zu stoppen, nicht zu drücken.
Zweitens: Es gibt keinen Mika-Server. API-Keys und Erinnerungen sind auf dem Gerät verschlüsselt, Gespräche und Laufprotokolle bleiben lokal, und der einzige ausgehende Aufruf, der nicht der Modellanbieter ist, ist eine Update-Prüfung gegen GitHub. Wer den Datenschutzabschnitt liest, bevor er installiert, für den ist dieser Abschnitt geschrieben.
Es merkt sich außerdem genannte Vorlieben und macht abgeschlossene Aufgaben zu wiederverwendbaren Skills – beim zweiten Mal dieselbe Bitte findet es das Layout der App also nicht neu. Das ist dieselbe „das Repo einmal lernen“-Idee, die durch Coding-Agenten wandert, angewandt auf ein Telefon.
Der Teil, der es irgendwo verbieten lässt
Fremde Apps automatisch zu bedienen kann gegen deren Nutzungsbedingungen verstoßen. Das README sagt das klar und sagt dann, man solle selbst abwägen und für alles Wichtige den Ask-Modus vorziehen.
Dieser Satz leistet viel. Bildschirmlesende Automatisierung im großen Stil ist genau das, wogegen Anti-Abuse-Teams von Plattformen gebaut sind, und ein Werkzeug, das auf dem eigenen Gerät mit dem eigenen Konto läuft, ist sowohl die legitimste Version dieser Idee als auch die am schwersten von der missbräuchlichen zu unterscheidende. Wer Mika nutzt, um einen Gruppenchat zu lesen, stört niemanden. Wenn zehntausend Leute es nutzen, um Engagement zu farmen, werden die Apps reagieren, und die Reaktion wird nicht höflich sein.
Es gibt auch einen Sicherheitsaspekt, der genannt gehört: Ein Agent mit virtuellem Display und Input-Injection kann alles tun, was man in diesen Apps tun kann. Das einer App zu erlauben, die mit einem Drittanbieter-Modellanbieter spricht – auch einem selbst gewählten –, ist eine Vertrauensentscheidung, keine Feature-Entscheidung.
Warum das über eine App hinaus zählt
Die interessante Behauptung in Mika ist architektonisch, nicht funktional. Zwei Jahre lang galt die Annahme, Telefon-Agenten bräuchten die Kooperation der Apps: eine API, einen Intent, ein Plugin. Mika zeigt, dass zweiter Bildschirm plus Input-Injection reicht – und dass dieser Weg auf jeder App funktioniert, die sich der Kooperation verweigert.
Das heißt: Die Obergrenze der Telefon-Automatisierung ist keine technische Kooperation. Sie ist Policy. Das ist ein anderer Streit, und er wird in den nächsten Jahren App für App in Nutzungsbedingungen ausgetragen.
Zwei praktische Grenzen, die man vor der Installation kennen sollte. Es ist nur Android – es gibt keinen iOS-Weg, und angesichts von Apples Umgang mit virtuellen Displays und Input-Injection wird es wohl so bald keinen geben. Und es ist ein Ein-Personen-Projekt mit jungem Issue-Tracker, die ROM-Kompatibilitätsliste also eher anekdotisch als zertifiziert. Versteckt das Telefon das drahtlose Debugging, existiert der USB-Fallback, ist aber wirklich fummeliger als der Assistent.
In dem schmalen Band, in dem es eindeutig in Ordnung ist – lesen, zusammenfassen, Formulare füllen, vor der Zahlung stoppen –, ist Mika das brauchbarste, was ich auf Android gesehen habe, und das einzige, das das Telefon nicht als Geisel nimmt, während es arbeitet.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.