Uma placa de 7 dólares substituiu o Mac que precisava ficar ligado

A demonstração no topo do repositório é um iPhone de verdade fazendo uma lição do Duolingo sozinho, acelerado oito vezes. Ninguém toca na tela. Uma placa do tamanho de um selo está plugada na porta Lightning, e um modelo em outro lugar decide onde tocar.
O projeto se chama ESP32 iPhone Agent, e a placa é uma Seeed XIAO ESP32S3 que custa cerca de sete dólares. A promessa do README é específica: sua IA olha para a tela do iPhone e então toca, desliza e digita por você, através da placa. Sem computador, sem mudança no iOS, sem jailbreak.
Chegou a 4.651 estrelas desde 11 de outubro.
O problema que ele resolve de fato
Quase toda a automação de iPhone já existe. WebDriverAgent, CoreDevice, idevice, uma prateleira de projetos de código aberto que controlam um telefone a partir de uma máquina host. Eles funcionam, e a configuração é o motivo de quase ninguém fora de ferramentas de desenvolvedor usar.
Antes da primeira tarefa você instala o Xcode, o que significa um Mac com macOS recente. Ativa o Modo Desenvolvedor no telefone, confia no pareamento USB, clona um repositório, compila um app auxiliar, assina. Depois o computador tem de ficar ligado e conectado em toda tarefa seguinte. Tranquilo para um desenvolvedor. Um muro para o resto.
A placa faz o trabalho do computador. Ela pluga no telefone, fornece o link e fica ali. O telefone é a única coisa que você precisa carregar.
É a tese inteira, e é uma tese sem graça da melhor forma. A engenharia interessante mora no cabo: a máquina host ficou pequena e barata o suficiente para desaparecer dentro dele.
Como os olhos e as mãos funcionam
Dois canais, e o iOS já entrega os dois.
Os olhos são AirPlay. A placa se apresenta como destino de tela, o telefone espelha para ela, e a placa repassa os quadros ao modelo. Sem permissão de gravação de tela, sem ponte de acessibilidade, sem API privada.
As mãos são USB HID. A placa se enumera como dispositivo de interface humana e envia eventos de ponteiro e teclado, e é por isso que o assistente de configuração pede para ativar o AssistiveTouch. Para o iOS é um mouse e um teclado, porque é exatamente isso.
A consequência é a frase do README em que vale parar: os apps que ele usa são qualquer app que uma pessoa usa, porque ele vê a tela e move um ponteiro. Não há integração por app, não há API, não há árvore de acessibilidade para raspar. A demo do Duolingo não é vitrine de parceria. O Duolingo não faz ideia de que isso está acontecendo.
O troco é que nada nisso é eficiente. Um laço guiado por ponteiro com um modelo de visão dentro é a forma mais lenta possível de operar um telefone, e o README admite: cada passo leva alguns segundos, a maior parte no modelo.
1.0.2 e 1.0.3: audição, e uma primeira passada barata
Três adições nas versões mais recentes merecem leitura, porque mostram onde o custo está de verdade.
A placa agora repassa o áudio do AirPlay, e o iPhone o transforma em palavras. Isso libera exercícios de escuta e comandos de voz, a classe de app que um agente mudo não alcança. Também significa que o telefone faz a transcrição no próprio hardware, então o áudio não precisa sair do aparelho para virar texto.
A segunda adição é uma linha gratuita chamada Jev. Passos simples vão para um modelo pequeno que responde em fração de segundo, e o que é mais difícil vai para o modelo grande. O laço do agente foi reconstruído em torno de uma chamada de modelo por passo, que é a correção do problema de latência encarada de frente em vez de contornada.
A terceira é o tamanho da tarefa. O teto de 40 passos acabou, qualquer execução interrompida pode continuar, e toda execução pode ser reproduzida passo a passo no telefone. Para quem já viu um agente falhar no passo 37 e teve de começar de novo, a reprodução é o recurso.
Instalar, e os quatro passos
Compre a placa. Grave o firmware no Chrome ou no Edge em handsy.tech/install, sem instalar ferramenta nenhuma. Instale o app pelo TestFlight e siga quatro passos guiados de configuração.
Requisitos atuais: iOS 18 ou superior, firmware v0.2.4 na placa e o app, que está no TestFlight enquanto a listagem na App Store passa por revisão. O repositório é MIT, e a primeira linha do README, num comentário HTML endereçado a assistentes de código de IA, pede a quem copiar ou portar o código que mantenha o aviso de copyright e credite o projeto publicamente.
Esse comentário é a coisa mais 2026 do arquivo. O README foi escrito sabendo que um agente vai lê-lo primeiro e uma pessoa depois, então a obrigação de licença fica onde o agente a encontra antes de começar a escrever código.
Os custos que o README lista sozinho
A seção honesta é curta e completa. Você compra uma placa de sete dólares. Cada passo leva alguns segundos. E, enquanto roda, o telefone consome dados móveis, porque o hotspot da placa assume a conexão Wi-Fi.
Esse último é o tipo de detalhe que decide se um produto é usável e quase nunca aparece em post de lançamento. Um agente operando seu telefone por vinte minutos numa conexão medida é custo real, e é invisível até a fatura.
A tabela comparativa do README também lista o que ele não faz. Agentes presos a um computador expõem interfaces de depuração e de acessibilidade, o que significa que conseguem ler dados estruturados. Este vê pixels e move um ponteiro, então faz qualquer coisa que uma pessoa faria e nada que uma pessoa não faria. Para muita tarefa isso basta. Para qualquer coisa que precise do DOM, é um downgrade.
A aritmética de uma chamada por passo
Vale fazer a conta que a reconstrução implica. Uma tarefa de quarenta passos a três segundos por passo são dois minutos de relógio durante os quais o telefone fica inutilizável para qualquer coisa que precise da tela. Reduza a chamada por passo a uma fração de segundo na maioria fácil dos passos, e a mesma tarefa termina antes de o usuário decidir interromper.
É por isso que a linha Jev é anunciada como gratuita, não como rápida. O custo que se otimiza não é dinheiro, é a janela em que o telefone está emprestado. Um agente guiado por ponteiro é lento por construção, então a única alavanca que importa é quantas decisões precisam de um modelo grande.
O laço também mudou de forma: uma chamada de modelo por passo, em vez de um framework de agente que planeja, reflete e replaneja a cada ação. Para uma tarefa como “abrir o WeChat e mandar mensagem para o contato de transferência de arquivos”, é a troca certa. Para uma tarefa que precisa de um plano revisado no meio, é uma restrição que o usuário vai sentir.
O que o formato disso sugere
Existem agora três projetos separados resolvendo o mesmo problema, e eles escolheram camadas diferentes. Um roda como app com uma tela oculta própria. Um transforma todo app em linha de comando. Este transforma o telefone em periférico de um microcontrolador de sete dólares.
A abordagem da placa tem a pior latência e a melhor portabilidade. Não precisa de jailbreak, de conta de desenvolvedor, de máquina host, nem de cooperação de nenhum app. Também herda a restrição que a tornou possível: se o iOS fechar o caminho HID ou o AirPlay, tudo para.
Por enquanto a demo se sustenta sozinha. Um telefone sobre a mesa, fazendo uma lição de idiomas, sem nada conectado além de uma placa pequena o bastante para se perder.
Artigos relacionados
O Antigravity levou os agentes para a nuvem. O que fica de fora é o seu setup local
A versão 2.29 do Antigravity coloca o agente em uma VM na nuvem que sobrevive ao seu laptop e usa voz para aprovar permissões. O setup local não vai junto.
A NVIDIA abriu quatro modelos de mundo de 16B. O que ninguém mediu é o aprendizado de política
Quatro modelos de mundo abertos de 16B e um decodificador que emite geometria de uma só vez. A NVIDIA entregou as duas metades, mas admitiu que falta medir o aprendizado de política.
Quatro dos repositórios em alta no GitHub são bibliotecas de skills. O problema agora é empacotar
Skills de agente ocupam mais de um quarto das tendências do GitHub, vindas da Anthropic, Google e Cloudflare. O formato é simples; o empacotamento é um caos de quatro caminhos.
A Thinking Machines lançou um modelo de 594B e empurrou os pesos para a semana seguinte
O Inkling 2 Small chega com contexto de um milhão de tokens e visão como canal de verificação. Os pesos abertos, prometidos para a semana seguinte, ainda não têm data.