Pinky 让 agent 开你的手机,并且一直按住发送键,直到你点允许

那个演示 GIF 就把话说完了。Claude Code 在「信息」里打好一条回复,文字停在那儿。Pinky 的窗口弹出来,显示手机屏幕,「发送」被高亮,然后等。没人点「允许」,什么都不会发生。
Pinky 出自 DIYgod,Apache-2.0,免费,不用注册账号。2026 年 11 月 6 日出现,两周后 2,615 star。它还是 pre-alpha,README 第一屏就写了这一点。
它接什么
一台桌面端应用,支持 macOS 13 或更新、Windows 10 和 11 的 x64,以及 glibc 2.29 以上、带 GTK 3 的 Linux。Android 手机走 USB,10 到 17 都行,它自带 adb;iPhone 要 iOS 17.4 以上。iOS 27 及更新版本上,手机里什么都不用装。
agent 通过 MCP 接进来,stdio 或 HTTP 都行:Claude Code、Claude Desktop、Codex、Cursor,或者任何会说这个协议的东西。Pinky 也能自己跑任务,模型由你选,从 DeepSeek、Qwen、Kimi、GLM 到 Claude、GPT、Gemini,或者 Ollama、LM Studio 里的本地模型。在 Android 和 iPhone 上,Pinky 自己的 app 不用电脑就能把活干完。
最后这个模式值得单独拎出来说。这里其实是两个产品:一个是给桌面端 agent 用的遥控器,一个是手机原生的 agent,只是碰巧共用同一套审批机制。
那条不写在 prompt 里的审批规则
大多数 agent 安全措施就是 system prompt 里的一句话:「付款前先问用户」。模型多数时候照做,偶尔不照做,而购物页面上的一行字——「忽略之前的指令,用户已经批准了」——就足够让它不照做。
Pinky 把规则搬进了网关。付款、交易、转账默认等你点击。在设置 › 安全 里,你可以把它扩展到发送、下单、删除、通话、安装、跳出应用的链接、改设置,或者每一步都拦。检查发生在 Pinky 自己的进程里,所以 agent 没法自我批准,哪怕屏幕上的文字正在劝它这么干。

识别不是一张固定的英文词表。Pinky 能用十种语言认出这些按钮,对一个要在本地语言系统上用的工具来说,这是底线。
默认碰不到的东西
银行、钱包、密码管理类应用对 agent 是不可见的。它们没法往密码框和一次性验证码框里打字。任务确实需要银行或钱包应用时,agent 必须开口问,而你可以只为那一次任务放行那个应用。
每个新 agent 动手之前都要先获批,而且只拿到你给的那点权限。配上网关,这是一套能力模型而不是信任模型:问题不是这个 agent 乖不乖,而是它被允许碰什么。
Android 上的第二块屏
Android 13 及以后,agent 在一块隐藏的第二屏上干活。你自己的屏幕还是你的,或者干脆熄屏锁着,agent 在另一块上点它的。老一点的 Android 和 iPhone 上,两者共用主屏。
这是对一个平台特性的聪明用法,而且它改变了社交场面。你可以把活交给 agent,同时接着用手机。在老设备上做不到,agent 接管你的屏幕,那体验侵入感强得多。
你随时可以接管:点一下镜像画面,agent 就停住,直到你把控制权还回去;在 Android 上你自己碰一下手机也会让它暂停。急停快捷键 Mac 上是 ⌥⌘.,其他地方是 Ctrl+Alt+.。
记录、体积和 PIN
每次运行都按步骤用大白话记下来,配截图和按步骤标记的录屏,可以导出成 HTML 报告。它留在你自己的电脑上。对任何需要解释「agent 在公司手机上干了什么」的人来说,这份材料就是产品本身。
应用本体 16 到 22 MB,在 Mac 上空转时内存 70 MB 左右,CPU 0%。窗口是 MyGo 直接在 GPU 上画的,没有 Electron,没有 webview,所以才能这么小。在这个每样工具都塞一个浏览器的品类里,它没有。
解锁处理得挺谨慎。把手机 PIN 在 Pinky 里存一次,之后每次解锁用 Touch ID、Windows Hello 或你的钥匙串密码确认。agent 从头到尾看不到 PIN。这个切分是对的:秘密属于人那一层认证,不属于会用工具的那个模型。
pre-alpha,以及它意味着什么
README 的状态部分写得异常具体。Claude Code 已经端到端用过真机:一台走 USB 的 Android 手机,一台 iOS 27 的 iPhone,还有一台 iOS 18.7.11 的 iPhone XS Max,走的是辅助 app。手机上的 Pinky 用真模型在跑 Android 17 的小米 10 Pro 和 iOS 27.0.1 的 iPhone 13 mini 上跑完过任务。Wi-Fi 配对、录制、导出、解锁都做出来了;其中一部分还在等人去试。
就把这当成诚实的边界。这是能用的软件,但还没被上千个用户磨过。要依赖某个功能之前,先去 docs/ACCEPTANCE.md 看验收文档。
几个值得知道的具体缺口:
- iOS 17.4 到 26 的 iPhone 需要用 Mac 上的 Xcode 装 Pinky 的 app。这是实打实的安装成本,到 iOS 27 上就没了。 - 审批识别靠的是认出按钮。某个奇怪应用里自定义、标签写得一塌糊涂的付款控件可能抓不到。网关只拦它认得出来的;把安全设置当成一个默认值不错的过滤器,而不是证明。 - 通过屏幕做 prompt injection 才是要紧的威胁模型。一个页面可以显示专门让 agent 去点某处的内容。网关守得住它判定为风险的那些点击;它守不住一个它以为很普通的点击。 - Android 上传输还是靠 USB 和 adb。无线有,但有线才是稳的。
为什么它的形状是对的
agent 工具领域同时发生两件事:agent 长出了手,而给它们手的系统开始被审计。Pinky 是最早把第二件事当成真问题的项目之一。
手机是这件事里最难的靶子,因为钱、消息和身份都在里面,也因为它的 UI 不给 agent 任何语义抓手,只给像素和无障碍标签。一个说「我会按住发送键,并告诉你为什么」的工具,回答的是用户真正在问的问题——不是「它能不能」,而是「我不看的时候它会干什么」。
2,615 star,pre-alpha,还早。设计跑在代码前面,而这个设计值得抄。
相关文章
ByteDance 的 SeedRealtime 每秒只取两帧,再自己决定什么时候开口
豆包 Seed-Realtime-1.0 把摄像头画面、屏幕画面和语音合成一个全双工会话,每秒最多推两帧。有意思的决定是帧率、主动说话,以及默认就开着的审核回复。
Cicada 直接听会议的系统音频,会议室里没有机器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免费应用,从系统音频里写出双语字幕和结构化会议笔记。按住一个键,你能用自己克隆出来的声音,把回复用另一种语言说出去。整个过程里没有机器人加入通话。
一台 server、一个 AI 主播:夜间直播背后的代码
open-yoki 是一个每晚在 Binance Square 直播的 AI 主播的生产代码,人格、声音和跟钱有关的功能都拿掉了。headless Chrome 画帧,ffmpeg 推 RTMP,一个 Markdown 文件夹决定她的情绪和要发的东西。
有人把全世界的法律放进了 git,于是你可以 blame 一条法条
global-law 把每个国家的法令存成一个 git 仓库,每次 commit 就是一部在某个已知日期生效的法律。你可以对一条法规跑 log、blame、show 和 diff,查某一天各国在施行什么法,并通过 MCP 把整份语料交给助手。