X-OmniClaw 技术报告：面向多模态理解与交互的统一移动端智能体 X-OmniClaw Technical Report: A Unified Mobile Agent for Multimodal Understanding and Interaction
OPPO 边缘原生 Android 智能体，多模态感知+行为克隆
前置知识
Mobile Agent（移动智能体）
Mobile Agent 指能在手机操作系统上自主感知界面、规划任务并执行动作的 AI 系统。不同于传统桌面自动化脚本，它需要处理动态 GUI、跨应用切换、多模态输入（屏幕、相机、语音）等复杂场景。Mobile-Agent、AppAgent、Doubao Phone 等都属于这一类研究。理解 mobile agent 需要把握「感知-推理-执行」的核心循环：观察当前界面状态 → 由 LLM/VLM 推理下一步动作 → 通过 Android API 或点击坐标执行。
X-OmniClaw 本身就是一个 mobile agent，但它明确反对纯视觉点击的路线（Mobile-Agent、AppAgent 路线），主张混合结构化 UI 信号（XML）与视觉证据。读懂本文需要先理解 mobile agent 的基本范式及其痛点，才能体会 X-OmniClaw 的设计取舍。
DeepLink / Intent / dumpsys
DeepLink 是 Android 中让外部应用直接跳转到指定 Activity 的 URI 机制，例如 taobao://item.id=123 可以跳过首页直接进入商品详情。每个 Android Activity 都可以注册一个 launch Intent，包含 action、data URI 和 extras 参数。dumpsys activity 是 Android 提供的系统级调试命令，可以打印当前活动的 Activity 栈及其 Intent 信息；本文正是通过这个 introspection 接口捕获用户导航时留下的「地址簿」，从而将点击序列蒸馏为可复用的跳转头。
理解 DeepLink 和 dumpsys 是把握 X-OmniClaw 行为克隆机制的关键。本文的核心创新之一就是用 dumpsys 提取 Activity 完整 Intent（含 action、data URI、extras），而不是逐个还原用户的点击轨迹。这是其从 one-shot 执行走向 trajectory cloned execution 的关键基础设施。
多模态融合（视觉-语音-UI）
多模态融合指将不同来源、不同结构的输入信号联合建模以获得更完整的场景理解。在移动端典型输入包括：屏幕投影（screen projection）、相机实时画面（camera frames）、麦克风语音（microphone audio）。关键技术挑战包括时间对齐（temporal alignment，将异步到达的视觉流和音频流按时间戳匹配）、回声消除（AEC，acoustic echo cancellation，抑制设备自身播放音频对麦克风的干扰）以及场景接地（scene-grounded）的意图理解。本文使用解耦的流式管线，视觉信号异步推入内存环形缓冲区，语音和视觉通过共享时间戳匹配。
Omni Perception 模块的设计完全围绕多模态融合展开，包括自适应 AEC、in-memory 环形缓冲、temporal alignment 模块、场景接地意图理解。不理解这些底层概念就读不懂 X-OmniClaw 如何处理「用户说话时手机正在播放视频」这种真实场景。
行为克隆（Behavior Cloning）与轨迹重放
行为克隆源自模仿学习（imitation learning），智能体通过观察专家演示的轨迹（状态-动作序列）来学习策略。在移动端语境下，指记录用户的真实点击/滑动序列，将其蒸馏为可命名、可参数化的「技能卡」（skill card）。轨迹重放（trajectory replay）则是技能执行阶段，将克隆出的技能重新调用以完成任务。本文特别强调「目的捕获而非字面复制」，即克隆的不是逐个动作的精确时序，而是「去往某页面」的语义意图，并通过 dumpsys 提取的 deeplink/intent 参数实现「直接访问」式回放。
这是 Omni Action 模块的核心机制，也是 X-OmniClaw 与传统 mobile agent 最显著的差异化创新。理解行为克隆和轨迹重放的语义层面（vs 字面层面）才能明白为什么 X-OmniClaw 能从冗长的点击路径中抽取出高效的「直达技能」。
Skill-Tool 协同模式
在 OpenClaw 风格的分层智能体架构中，Skill 和 Tool 是两个不同抽象层级的概念。Skill 定义工作流与分工（如「记忆维护技能」「记忆问答技能」），规定「做什么」；Tool 负责执行具体步骤（如「图片语义摘要」「OCR 抽取」），规定「怎么做」。两者通过清晰接口解耦，使得记忆生产（memory building）与记忆消费（memory using）分离，便于系统迭代和稳定性维护。
Omni Memory 模块明确采用 Skill-Tool 协同模式，将记忆维护技能、记忆问答技能与底层工具分离。本文还强调统一的过滤脱敏步骤（filtering and redaction）必须在写入记忆之前完成，这是理解其安全设计的必要背景。
研究动机
现有移动端智能体方案存在三类显著问题，制约了真正「移动原生」个人助手的落地。第一类是云端架构的物理隔离问题：RedFinger [13]、阿里无影、腾讯云手机等平台采用在数据中心运行虚拟化 Android 实例的 cloud-centric 范式，智能体在仿真环境中操作。这种架构虽然降低了对本地算力的要求，但本质上与用户真实硬件相隔离，无法访问本地摄像头、传感器、本地配置文件、用户隐私数据，并且需要维护一个独立的云端身份。当任务需要真实世界感知时，云端架构无法提供必要的环境上下文。第二类是 PC 端 agent 框架的迁移难题：以 OpenClaw [9] 为代表的开源框架强调本地化、可用户调控的执行逻辑，但其设计天然围绕 PC 侧交互，无法满足移动端高动态、需要持续多模态感知的场景；Nous Research 的 Hermes Agent 虽然引入了自改善学习循环，但同样缺乏对移动端真实世界感知的支持。第三类是工业方案的定制化瓶颈：以 Doubao Phone 为代表的工业系统已经验证了 Android 跨应用编排的工程可行性，UI-TARS [10] 等也展示了视觉基础模型结合系统编排的潜力，但它们大多缺乏对用户自定义逻辑和定制化能力的深度控制。例如广告密集的电商界面（XML 信息不可靠）、跨应用任务中断恢复（application interruption）、长期个性化记忆（memory across sessions）等开放问题仍缺乏系统级解决方案。
本文的目标是本文的具体目标是设计并实现 X-OmniClaw——一个边缘原生的 Android 移动智能体，将手机本身视为统一的感知-记忆-动作执行底座。具体子目标包括：(1) 构建 omni-modal 多模态入口，将屏幕 UI 状态、相机实景画面、麦克风语音三类感知信号统一接入，并通过场景接地（scene-grounded）的意图理解转化为结构化语义表示；(2) 构建分层记忆系统，将运行时工作记忆（截图、压缩观察、执行状态）与长期个人记忆（图库语义摘要、交互轨迹）解耦，支持跨多轮、前后台切换、跨应用的任务连续性；(3) 实现混合 UI 理解与轨迹克隆执行机制，将结构化 XML 元数据、视觉定位（visual grounding）、OCR 三类信号融合，在保留用户语义意图的前提下通过 deeplink 实现高效直接访问，避开冗长的点击重放；(4) 在四大类应用场景（电商、本地服务、短视频、搜索）中实例化可立即复用的技能卡，证明端到端可用性。
与已有工作不同的是，本文的独特切入角度是「边缘原生 + Omni 集成 + 技能持久化」三者的协同设计，区别于现有方案的单一维度创新。X-OmniClaw 把手机比喻为「车」，自身作为「内部引擎」，云端 LLM 仅为「燃料」，由此把核心感知和执行能力下沉到本地，避免云端架构的真实世界隔离；Omni 前缀强调三个感知域（屏幕 UI、相机实景、语音音频）的统一 ingress，与 Hermes Agent 强调「自改善学习」、OpenClaw 强调「显式控制流」形成互补；同时通过 Skill-Tool 协同把任务脚本化、用 dumpsys 提取 deeplink 把用户导航蒸馏为持久技能卡，这是对传统 mobile agent 「每任务从头规划」的范式转变。论文也明确指出，其灵感来自 AndroidClaw [14] 的基线，但在边缘执行、多模态融合、记忆持久化、轨迹克隆四个方向上构建了差异化能力。
核心方法
X-OmniClaw 的整体设计哲学是把移动智能体视为「感知-记忆-动作」协同堆栈（co-designed stack），而不是在 LLM 外围「装订」几个独立模块。直觉上，手机本身就是一个高频的感知与执行平台，把它作为统一的 substrate 既能获得环境上下文，又能把执行路径压到最短。技术上系统由三大支柱组成：Omni Perception 提供统一多模态入口和场景接地意图理解，Omni Memory 管理运行时工作记忆和长期个人记忆的协同，Omni Action 实现混合 UI 理解与基于行为克隆的轨迹重放执行。三者通过统一的 agent loop 串联：用户的语音/文本/触发信号经 Perception 解析为结构化 intent，Memory 提供历史上下文和长期知识，Action 将 intent 映射为具体 Android 操作；执行后的结果又回流到 Memory 形成持续优化闭环。系统部署在用户本地 Android 设备上，仅在需要高级推理时按需调用云端 LLM（cloud LLM as fuel），由此兼顾隐私、响应速度和真实世界感知能力。
本文的核心创新点是与已有方法的三个本质区别。第一，与云端 mobile agent（RedFinger、Doubao Phone 等）相比，X-OmniClaw 采用边缘原生架构，核心逻辑全部跑在用户本地 Android 设备上，可直接调用真实摄像头、传感器、本地数据，不需要维护云端影子身份，这是「架构执行」与「移动原生自治」的本质差距。第二，与纯视觉 mobile agent（Mobile-Agent、AppAgent、UI-TARS）相比，X-OmniClaw 采用混合 UI 理解策略：当 XML 元数据可靠时优先用结构化信息定位元素，当 XML 在广告密集界面不可靠或空间模糊时回退到视觉定位 + OCR；在视觉-语义-结构之间动态平衡，而不是只用坐标点击。第三，与一次性的 LLM agent 相比，X-OmniClaw 把用户导航通过行为克隆蒸馏为持久化、可直接复用的技能卡（skill card），并通过 dumpsys activity 提取 Activity 的完整 launch Intent（含 action、data URI、extras）作为「可执行地址」，让后续任务能 deeplink 直接跳转到目标页面，避免逐次还原点击序列。这是「从一次性执行到轨迹克隆执行」的范式转变，也是论文反复强调的核心贡献。
方法步骤详情
X-OmniClaw 的方法按三大模块展开，完整流程如下。Omni Perception（Section 3）：(1) 多模态入口汇聚——通过浮动 widget、麦克风、Android AlarmManager 定时任务、Feishu/Discord 等远程 gateway 接收触发信号，统一汇入同一管线；AlarmManager 实现低功耗待机下的系统级唤醒路径。(2) 集成多模态感知——相机流和屏幕投影构成视觉环境，麦克风经 on-device 自适应声学回声消除（AEC）后转录为文本；视觉信号异步推入 in-memory ring buffer 保留短期历史，temporal alignment 模块通过共享时间戳匹配语音与视觉流。(3) 场景接地意图理解——VLM 先联合视觉场景与用户查询做场景接地语义扩展（如将「这个多少钱」扩展为「用户想知道 Evian 喷雾在淘宝上的价格」），若可直接回答则返回，否则转为结构化 intent 送入 AgentLoop。Omni Memory（Section 4）：(1) 工作记忆维护——保存多模态运行时上下文（截图、压缩观察、执行状态）以支持跨多轮/跨前后台/跨应用的任务连续性。(2) 长期记忆蒸馏——通过 Skill-Tool 协同（如 gallery_memory 技能）把图库照片转化为 objects/scenes/events/user cues 的结构化语义记录，写入 Markdown 记忆文件。(3) 安全与可控——写入前执行统一的过滤脱敏步骤；用户可显式控制是否启用图库记忆、是否将派生的 user profile 注入下游上下文；下一步计划把语义图像摘要下沉到端侧模型以减少上传风险。Omni Action（Section 5）：(1) 混合 UI 理解——Observation 阶段构建 UI Tree + GUI Grounding + OCR 的统一观察栈，结构化信号可靠时优先使用，XML 弱/不完整/空间模糊时回退到视觉定位 + 文本识别。(2) Agent loop 推理——基于观察栈推理当前页面状态、选择合适技能、必要时检索记忆，输出下一步动作或直接响应。(3) 行为克隆——通过持久追踪 overlay 触发，从 UI 层捕获用户交互过程，结合 UI-state tracking、结构化解析、多模态视觉理解提取语义意图（如「找到领券入口」而非字面点击序列），并通过 dumpsys activity introspection 捕获当前 Activity 的完整 launch Intent（含 action、data URI、extras），作为可执行地址保存到技能卡。(4) 轨迹重放——查询匹配后，采用多层级启动策略：首先尝试完整 Intent/deeplink 重放（含全部参数）；失败时回退到渐进式简化启动；最终回退到任务栈恢复（task-stack restoration），将应用最后浏览页面带到前台。当前阶段不直接还原用户的原始逐次点击路径，但保留执行轨迹作为未来更细粒度回放的保留能力。
技术新颖性
X-OmniClaw 的技术新颖性主要体现在四个层面的协同创新。架构层面，「边缘原生 + omni-modal 集成」打破了云端 mobile agent 与 PC 端 agent 框架的二元对立，论证了把手机本身作为统一 substrate 的可行性。感知层面，temporal alignment + 端侧 AEC + 内存环形缓冲的解耦流式管线，使得语音、相机、屏幕投影三类异构信号能在真实场景（设备同时播放音频、低功耗待机、跨应用切换）中稳定融合。记忆层面，Skill-Tool 协同把记忆生产与消费解耦，把图库语义摘要等高成本操作下沉到 idle-time 定时任务执行，并通过统一过滤脱敏步骤在写入前拦截敏感信息，这是对个人记忆系统设计的工程贡献。执行层面，从行为克隆到 dumpsys 提取完整 Intent、再到多层级启动策略的链条，构成了对「轨迹重放」概念的全新实现：通过捕获 Activity 完整 launch Intent 而非逐次动作，技能可以 deeplink 直接跳到目标状态；多层级回退（Intent/deeplink → 渐进式简化 → task-stack restoration）则覆盖了未导出 Activity 等无公开 deeplink 的边界情况。这四点组合起来，使得 X-OmniClaw 既区别于云端 mobile agent（架构层）、又区别于纯视觉 mobile agent（感知+执行层），同时通过 Skill-Tool 协同和持久化技能卡为长期个性化服务奠定基础。
实验结果
作为一份技术报告（Technical Report），X-OmniClaw 的核心发现主要通过四个 demo 场景的功能验证呈现，而非传统意义上的定量 benchmark 表格。Demo A1（Camera-informed execution）验证了「看到-想到-做到」端到端链路：用户用相机对准商品并问「这个多少钱？」，系统首先经 Omni Perception 识别出 Evian 喷雾并扩展为「用户在淘宝查询 Evian 喷雾价格」的结构化 intent，然后通过 deeplink 直接打开淘宝搜索结果，进入「滚动-截图-抽取」的循环，最终用 VLM reading 抽取结构化字段（价格、销量）形成结构化会话工件而非瞬态观察。Demo A2（ScreenAvatar）验证了多模态屏幕投影下的长链路执行：用户说「帮我连续解这些题」，系统结合实时屏幕内容与语音意图形成任务状态的多模态理解，规划并驱动长视野动作序列，连续解多道题且能根据中间 UI 状态更新策略。Demo B（Memory-based One-Tap Video）验证了长期记忆与 one-tap 执行的协同：系统在 idle-time 通过 gallery_memory 技能增量扫描图库，把照片语义化追加到 Markdown 记忆文件；用户发出「找所有鹦鹉主题照片一键生成高光相册」指令后，检索匹配文件 → 与 media provider 对账 → 整合到 task-isolated 暂存目录 → deeplink 跳转到剪映一键成片界面 → multi_tap 批量选择，全程压缩为几步自动化操作。Demo C（Instant Portal to Meituan Flash-Sale）验证了行为克隆与轨迹重放的端到端可用性：用户从持久追踪 overlay 触发行为克隆，系统通过系统级 introspection 捕获 Activity 完整 launch Intent 并保存为结构化书签（包含 action、data URI、extras）和生成的技能卡；后续自然语言查询即可调用，系统采用多层级启动策略（完整 Intent → 渐进式简化 → 任务栈恢复）实现精准页面还原，即使应用没有公开 deeplink 也能覆盖。四大场景中实例化的可立即复用或快速入口路由覆盖电商、本地服务、短视频平台、搜索四大类。作者明确将这套技能体系视为「reserved capability」，在不直接依赖逐次重放的同时保留执行轨迹，用于未来更大界面漂移、更细粒度交互语义恢复等复杂场景。作者还在结论中给出了三个战略演进方向：(1) 自演化机制（self-evolving mechanism），迭代优化执行轨迹、压缩推理链以降低 token 消耗与延迟；(2) 动态记忆演化（dynamic memory evolution），实现语义合并与选择性遗忘，保持 user profile 时效与高质量；(3) 端云协同（device-cloud synergy），日常任务下沉端侧、密集开放域推理选择性卸载到云端 LLM，通过意图感知的安全 gateway 控制。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Demo A1: Camera-informed execution 端到端执行 | 链路完整性（识别 → intent → deeplink → 抽取） | 完整链路跑通：从相机识别 Evian 喷雾 → 扩展为淘宝查询 intent → deeplink 进入搜索 → 滚动-截图-抽取结构化字段 | Mobile-Agent、AppAgent 等纯视觉路线依赖逐次坐标点击 | 通过 deeplink 跳过冗长 UI 重放；结构化字段抽取替代瞬态观察 |
| Demo A2: ScreenAvatar 长链路多步执行 | 任务完成度（连续解题 + 中间 UI 状态自适应） | 支持基于屏幕投影的多模态长视野任务（如连续解多道题），中间 UI 状态实时更新策略 | 传统 mobile agent 难以维持长链路任务，易因 UI 漂移失败 | 持续将实时屏幕内容与语音意图联合规划，自适应 UI 状态变化 |
| Demo B: Memory-based One-Tap Video | 端到端压缩率（手动流程 → 自动化步骤数） | 将传统几分钟的「定位入口-浏览图库-逐张选择」压缩为几步自动化操作（含 deeplink + multi_tap 批量选择） | 手动逐张选择流程通常需要数分钟以上 | 通过 gallery_memory 语义摘要 + 暂存目录 + deeplink + multi_tap 实现几秒级自动化 |
| Demo C: 行为克隆与轨迹重放（Meituan 秒杀页直达） | 页面还原能力（含无公开 deeplink 场景） | 通过 dumpsys 捕获 Activity 完整 launch Intent；多层级启动（完整 Intent/deeplink → 渐进式简化 → 任务栈恢复）覆盖无公开 deeplink 场景 | 传统 mobile agent 只能还原字面点击序列，对未导出 Activity 无解 | 捕获语义级「可执行地址」而非逐次动作；多层级回退覆盖边界情况 |
| Omni Perception: 多模态融合稳定性 | 设备同步播放音频场景下的语音识别准确率 | 通过 on-device 自适应声学回声消除（AEC）抑制设备自播放干扰 | 未做 AEC 的方案在设备播放视频/通话时识别率显著下降 | 自适应 AEC + temporal alignment 维持多模态对齐稳定性 |
局限与改进
作为一份系统技术报告（Technical Report），X-OmniClaw 存在以下几方面局限，作者在论文中也坦诚指出了演进方向。第一，定量评估的缺位：论文以四个 demo 场景的功能验证为主，没有给出可与传统 mobile agent benchmark（如 AndroidWorld [11]、OSWorld [19]、WebArena [21]）对齐的任务完成率、步效率、失败恢复率等指标，这使得读者难以独立判断系统在更广泛任务集合上的鲁棒性和泛化能力。第二，技能体系的覆盖率仍有限：当前已在电商、本地服务、短视频平台、搜索四大类应用实例化了可立即复用的技能卡，但行为克隆和轨迹重放的覆盖范围强烈依赖用户主动触发与 dumpsys introspection 的可用性，对于未授权第三方应用、未导出 Activity 的复杂应用效果仍有边界。第三，记忆系统的可扩展性与隐私权衡尚未充分验证：长期个人记忆通过 scheduled idle-time 任务持续积累，但记忆压缩、选择性遗忘（semantic consolidation）的具体策略尚未给出；同时虽然端侧 AEC 已部署，gallery_memory 等图像语义摘要仍依赖云端 VLM 调用，作者承认下一步要把语义摘要下沉到端侧模型以减少上传风险。第四，self-evolving mechanism 尚未实现：论文指出未来要引入自演化机制迭代优化执行轨迹、压缩推理链以降低 token 消耗与响应延迟，但当前版本还做不到真正意义上的轨迹压缩与在线优化。第五，行为克隆的「目的捕获」依赖 VLM 提取语义意图，对于界面高度动态、入口多变的应用（如频繁 A/B 测试），技能卡的有效期与稳健性是开放问题；作者明确保留了执行轨迹作为 future reserved capability。第六，多模态融合中的视觉-语音时间对齐精度依赖于硬件时间戳可用性，对于低端设备或系统时钟抖动场景下的鲁棒性未充分讨论。第七，论文未给出具体计算开销、内存占用、端侧推理延迟等关键部署指标。
独立分析的弱点
独立分析 X-OmniClaw 的技术方案，可以识别出以下几个值得改进的弱点。第一，hybrid UI understanding 的回退策略缺乏明确触发准则。论文说「XML 可靠时优先使用，弱/不完整/空间模糊时回退到视觉定位 + OCR」，但没有给出量化判据（如 XML 元素属性完整度阈值、视觉置信度阈值），这会导致回退时机不稳定。改进方向：引入置信度感知的回退控制器，对每个候选动作同时计算结构化路径和视觉路径的得分，按阈值动态选择并允许用户配置保守度。第二，gallery_memory 的语义摘要对计算资源的占用较大。作者承认云端 VLM 摘要可能带来上传风险，并提出把摘要任务下沉到端侧模型，但论文中端侧摘要模型的选型、量化策略、精度损失对比都未给出。改进方向：引入端侧轻量 VLM（如基于 MobileVLM 系列）配合分级摘要策略，仅在用户主动询问时升级到云端 VLM 精修。第三，行为克隆生成的 skill card 缺乏版本管理和失效检测。技能一旦被保存就会一直存在，但应用 UI 可能因版本更新、A/B 测试、改版而失效；当前没有提到自动失效检测或定期重验证机制。改进方向：为每个技能卡附加元数据（应用版本、hash、最后成功时间），配合定期 sanity check 与自动重克隆流水线。第四，多层级启动策略虽然覆盖了无公开 deeplink 的场景，但回退顺序固定，没有针对不同失败模式的智能适配（如网络异常 vs 权限拒绝 vs Intent 失效）。改进方向：把启动策略改成可学习的策略网络，根据失败模式动态调整。第五，跨应用隐私边界虽然在写入前执行过滤脱敏，但脱敏规则未公开，用户难以审计。改进方向：引入可解释的脱敏规则 DSL，让用户可视化配置哪些字段被屏蔽。第六，系统的可观测性不足：没有提到执行日志的可视化、失败 case 的回流分析、用户对智能体行为的可解释性。改进方向：构建 admin/调试界面，支持重放执行轨迹、定位失败环节。第七，端侧 LLM 能力受限：当需要复杂开放域推理时仍依赖云端 LLM，这会引入延迟和成本。改进方向：把更多推理任务（如简单的 intent classification、template selection）下沉到端侧小模型，仅在用户语义模糊或涉及开放域知识时调用云端。
未来方向
作者在论文结尾明确给出了三个战略演进方向。第一，self-evolving mechanism：目标是引入自演化机制，迭代优化执行轨迹，把复杂推理链蒸馏为紧凑表示，从而最小化 token 消耗和响应延迟。可以延伸的研究包括：基于执行成功/失败反馈的轨迹重写（trajectory rewriting）、基于 imitation learning 的策略压缩、以及在线学习 + 离线评估的闭环。第二，dynamic memory evolution：实现长期记忆的语义合并（semantic consolidation）与选择性遗忘（selective forgetting），保证 user profile 随时间保持相关性与高质量。可以延伸的研究包括：基于用户反馈的记忆权重更新、基于时间衰减的记忆归档、以及跨模态记忆的关联融合。第三，device-cloud synergy：日常任务下沉到端侧轻量模型，密集开放域推理通过意图感知的安全 gateway 选择性卸载到云端 LLM。可以延伸的研究包括：端侧模型蒸馏与个性化微调、隐私预算控制、以及基于用户情境（如位置、网络状态、电池）的动态路由策略。基于成果可延伸的其他方向还包括：(1) 与 AndroidClaw 等开源框架的更深度集成，共享技能市场；(2) 引入正式 benchmark（AndroidWorld、OSWorld、WebArena）评估任务完成率与步骤效率；(3) 多模态长期记忆的图结构化与检索（如构建跨场景的 user knowledge graph）；(4) 把系统能力扩展到 AR/VR、可穿戴设备等更广泛的移动原生终端；(5) 引入更细粒度的可解释性，让用户能审计每一步执行的原因；(6) 跨用户、跨设备的联邦学习式技能共享机制。
复现评估
从复现角度评估，X-OmniClaw 提供了较好的可重现基础但仍存在挑战。开源方面，作者明确表示「将发布所有代码、资源和相关工件」作为开源，并持续更新项目；项目主页为 https://github.com/OPPO-Mente-Lab/X-OmniClaw，这是相对清晰的入口。数据方面，由于论文以 demo 验证为主，没有公开大规模训练数据集（不像 ShotVerse 这类工作有专门的数据集）；个人记忆相关的 gallery 数据天然是用户私有数据，无法共享。算力方面，作为边缘原生架构，核心逻辑跑在 Android 设备上，云端 LLM 按需调用，这意味着复现门槛主要在于：(1) Android 端开发能力（Java/Kotlin + 系统级 API 如 AccessibilityService、AlarmManager、dumpsys introspection）；(2) 多模态感知模块的端侧集成（AEC、ring buffer、temporal alignment）；(3) VLM/LLM 的对接（既支持云端也支持端侧）。难度方面，整体系统涉及多个领域知识（移动开发、多模态感知、LLM agent 工程、Android 系统 API），对单人研究者而言完整复现门槛较高，但分模块复现（如 Omni Memory 的 Skill-Tool 协同、Omni Action 的混合 UI 理解）相对可行。论文中具体技术细节（如 dumpsys 命令使用、Skill-Tool 接口定义、多层级启动策略顺序）描述清晰，足以指导工程实现。但需要注意的是：(1) 一些实现细节（如 VLM prompt 模板、grounding 模型的具体配置、隐私过滤规则）论文未完全公开；(2) 端侧 AEC 的具体算法、视觉-语音时间对齐的精度未给出量化数据；(3) 行为克隆的「目的捕获」依赖 VLM，VLM 的选型会影响最终效果。总体而言，框架级复现难度中等偏上，完整 demo 复现需要较深入的 Android 系统级开发经验。
论文图表