Framework Agen Ponsel Open Source Terbaik: Open-AutoGLM, Mobilerun, dan mobile-use
Panduan memilih framework agen ponsel open source: bandingkan Open-AutoGLM, Mobilerun, dan Minitap mobile-use berdasarkan runtime, model, perangkat, lisensi, tracing, dan biaya pemeliharaan.
- Open-AutoGLM cocok untuk tim yang ingin eksperimen visual phone-agent berbasis ADB dengan opsi model API atau inference yang dikelola sendiri.
- Mobilerun Framework cocok untuk pengembang yang ingin kontrol CLI atau Python, tracing, accessibility tree, screenshot, dan hasil terstruktur; Mobilerun Cloud adalah jalur operasional berbeda.
- Minitap mobile-use cocok untuk tugas mobile yang terstruktur dengan konfigurasi LLM fleksibel, tetapi batas iOS perlu dibaca dari setup proyek, bukan dari klaim umum.
- FoneClaw bukan framework open source; ia adalah jalur aplikasi Android siap pakai untuk pembaca yang ingin tindakan ponsel yang didukung tanpa mengelola runtime sendiri.
Pilih berdasarkan pekerjaan yang ingin dijalankan
Framework agen ponsel open source terbaik bukan satu nama universal. Pilihan yang masuk akal bergantung pada pekerjaan yang ingin Anda jalankan: riset GUI ponsel, kontrol perangkat lewat skrip, otomasi mobile yang terstruktur, atau produk Android yang langsung dipakai tanpa mengelola infrastruktur.
| Pilihan | Paling cocok untuk | Prasyarat utama | Yang perlu dihitung |
|---|---|---|---|
| Open-AutoGLM | Eksperimen visual phone-agent Android dengan kontrol ADB dan model yang bisa diarahkan ke API atau inference sendiri | Perangkat Android dengan developer mode, USB debugging, ADB, dan setup keyboard yang diperlukan | Model endpoint, perangkat uji, login, captcha, konfirmasi tindakan sensitif, dan biaya menjalankan inference |
| Mobilerun Framework | Pengembang yang ingin kontrol CLI atau Python, pohon aksesibilitas, tangkapan layar, hasil terstruktur, pelacakan eksekusi, dan rekam jejak langkah | ADB, Portal accessibility service, model provider, dan mesin pengendali lokal | Tracing, prompt, biaya model, perawatan perangkat, serta perbedaan dengan Mobilerun Cloud |
| Minitap mobile-use | Tugas mobile berbasis instruksi natural-language dengan ekstraksi terstruktur dan konfigurasi LLM | ADB untuk Android; iOS simulator pada macOS sesuai setup proyek | Batas accessibility tree, dukungan iOS fisik, provider LLM, dan biaya operasi |
Gunakan daftar ini sebagai pintu masuk, bukan ranking performa. Tidak ada angka keberhasilan atau latensi yang kami klaim di sini. Open source memberi kendali atas kode framework, tetapi model API, GPU, perangkat cloud, debugging, maintenance, dan keamanan data tetap menjadi biaya nyata.
Bandingkan setup, eksekusi, model, dan lisensi
Tiga proyek ini perlu dibandingkan pada empat lapisan yang berbeda. Pertama, framework runtime: kode yang memutuskan bagaimana agen membaca layar, menyusun langkah, dan menyimpan hasil. Kedua, model inference: model AI yang memahami instruksi dan memutuskan tindakan berikutnya. Ketiga, phone execution: cara tindakan benar-benar terjadi di perangkat, biasanya melalui ADB, accessibility, WebDriverAgent, atau portal khusus. Keempat, operasi: logging, tracing, akun, biaya model, perangkat uji, dan pemulihan saat gagal.
| Aspek | Open-AutoGLM | Mobilerun | Minitap mobile-use |
|---|---|---|---|
| Repositori | Open-AutoGLM resmi | Mobilerun resmi | mobile-use resmi |
| Lisensi repositori | Apache-2.0 | MIT | Apache-2.0 |
| Android | ADB, developer mode, USB debugging, ADB Keyboard | ADB, developer mode, USB debugging, Portal accessibility service | ADB untuk perangkat fisik atau emulator |
| iOS | Setup terpisah dengan WebDriverAgent | Setup Portal iOS terpisah | README menyebut iOS simulator di macOS; perangkat iOS fisik belum didukung |
| Model | Endpoint model yang dihosting pihak ketiga atau inferensi yang dikelola sendiri | Pemilihan model provider dalam framework | Provider LLM yang dapat dikonfigurasi |
| Inspeksi | Fokus pada agent visual dan kontrol perangkat | Tracing dengan Arize Phoenix atau Langfuse, serta trajectory tersimpan | Ekstraksi terstruktur dan otomasi UI mobile |
Lisensi kode tidak otomatis berlaku untuk model, dataset, layanan cloud, perangkat virtual, atau dependensi lain. Sebelum memakai salah satu framework untuk pekerjaan serius, cek lisensi repositori, syarat provider model, kebijakan data, dan biaya perangkat yang akan dipakai.
Kapan Open-AutoGLM paling cocok
Open-AutoGLM cocok ketika Anda ingin mempelajari pola visual phone-agent yang mengendalikan Android lewat ADB. Repositori resminya mendokumentasikan setup Android dengan developer mode, USB debugging, dan ADB Keyboard, serta menyebut HDC untuk HarmonyOS. Untuk iOS, jalurnya tidak identik; proyek memakai setup WebDriverAgent tersendiri.
Nilai praktisnya ada pada pemisahan antara perangkat, framework, dan model. Agen Python dapat memakai model endpoint, baik lewat API model yang di-host pihak ketiga maupun inference yang Anda kelola sendiri. Itu berarti GPU lokal tidak wajib untuk jalur API, tetapi biaya token, latency, dan kebijakan provider tetap perlu dihitung. Jika Anda self-host, biaya berpindah ke server, GPU, deployment, dan pemeliharaan.
Open-AutoGLM juga mencantumkan konfirmasi untuk operasi sensitif dan human takeover untuk login atau captcha. Itu penting karena phone-agent yang sehat tidak hanya mampu mengetuk layar; ia juga harus tahu kapan berhenti dan menyerahkan keputusan ke manusia.
Kapan memilih Mobilerun Framework atau Cloud
Mobilerun, yang sebelumnya dikenal dalam konteks DroidRun, paling cocok jika Anda membutuhkan framework pengembang yang rapi untuk kontrol mobile lewat CLI atau Python. Repositori Mobilerun mendukung accessibility tree, screenshot, pemilihan model provider, dan hasil terstruktur. Untuk evaluasi teknis, kemampuan tracing lewat Arize Phoenix atau Langfuse serta trajectory tersimpan membantu melihat mengapa agen gagal, bukan hanya apakah hasil akhirnya benar.
Bedakan Mobilerun Framework dari Mobilerun Cloud. Framework menjalankan agen dari mesin Anda dengan perangkat lokal dan dependensi yang Anda kelola. Cloud adalah jalur operasional berbeda: dokumentasinya menyebut dukungan untuk ponsel lokal yang terhubung dan perangkat virtual atau fisik yang di-host dengan workflow API. Pilihan Cloud dapat mengurangi beban perangkat lokal, tetapi menambah ketergantungan pada layanan, akun, biaya, dan kebijakan cloud.
Untuk iOS, jangan menganggap dukungan Android dan iOS sama. Mobilerun mendokumentasikan setup Portal iOS yang terpisah, sehingga perangkat, izin, dan kondisi runtime perlu dicek sesuai target.
Kapan Minitap mobile-use cocok
Minitap mobile-use cocok ketika kebutuhan Anda adalah otomasi UI mobile berbasis instruksi natural-language dengan keluaran yang dapat diekstrak secara terstruktur. Repositori mobile-use mendokumentasikan provider LLM yang dapat dikonfigurasi dan lisensi Apache-2.0. Untuk Android, jalurnya memakai ADB pada perangkat fisik atau emulator; quickstart Docker yang disebut proyek bersifat Android-only.
Batas iOS perlu dibaca dengan hati-hati. Walau materi umum bisa terdengar luas, README proyek secara spesifik mencantumkan iOS simulator di macOS pada bagian perangkat manual dan menyatakan perangkat iOS fisik belum didukung. Jadi, jika target Anda adalah iPhone fisik, mobile-use belum bisa diperlakukan sebagai pilihan setara dengan Android.
Proyek ini juga mencatat keterbatasan pada game yang tidak menyediakan informasi accessibility tree. Ini bukan kekurangan unik satu framework; banyak agen UI akan kesulitan ketika layar tidak memberi struktur yang bisa dibaca dengan stabil.
Uji satu tugas yang mudah dibatalkan
Sebelum memilih framework, jalankan rencana evaluasi yang kecil dan dapat dibalik. Jangan mulai dari pembayaran, pengiriman pesan nyata, perubahan akun, atau operasi produksi. Pilih tugas seperti membuka aplikasi catatan, membuat item uji, mengambil screenshot, membaca teks layar, lalu menghapus item uji secara manual.
- Pilih satu perangkat target dan catat versinya.
- Tentukan satu model provider atau endpoint, lalu jangan mengubahnya selama uji awal.
- Jalankan satu tugas baca layar, satu tugas navigasi, dan satu tugas yang membuat perubahan rendah risiko.
- Simpan log, tangkapan layar, pohon aksesibilitas, rekam jejak langkah, atau pelacakan eksekusi yang tersedia.
- Catat kegagalan: salah membaca layar, salah memilih tombol, tidak tahu kapan berhenti, atau gagal memulihkan state.
- Ulangi hanya setelah satu variabel diubah: model, prompt, device state, izin, atau framework.
Untuk kerangka evaluasi yang lebih lengkap, Benchmark Phone Agent Android: Cara Mengevaluasi AI Agent Mobile 2026 membantu memisahkan keberhasilan tugas, keselamatan tindakan, recovery, dan bukti hasil. Jika masalah utama Anda adalah memilih model, Model AI Terbaik untuk Agen Android: Pilih Berdasarkan Tugas membahas model sebagai lapisan berbeda dari framework dan executor.
Pilih jalur Android siap pakai
Tidak semua pembaca membutuhkan framework open source. Jika tujuan Anda adalah memakai agen Android untuk tugas sehari-hari tanpa mengelola ADB, tracing server, model endpoint, cloud device, atau skrip kontrol, FoneClaw adalah jalur produk yang berbeda. FoneClaw bukan framework open source dalam daftar ini; FoneClaw adalah aplikasi Android dengan model yang dapat dikonfigurasi, model default gratis, dan alat ponsel yang diatur oleh izin serta persetujuan pengguna.
Gunakan FoneClaw ketika Anda ingin membuka aplikasi, memahami konteks layar yang dipilih, membuat memo, membaca SMS sesuai izin, atau menjalankan tindakan Android yang didukung dengan hasil yang dapat diperiksa. Jalur ini tidak berarti semua inference selalu lokal, tidak berarti semua aplikasi bisa dikendalikan, dan tidak mengubah tugas sensitif menjadi tindakan tanpa review. Untuk melihat perbedaan niat, rencana, persetujuan, eksekusi, dan hasil, baca AI Agent Mengontrol Ponsel Android: Dari Niat ke Tindakan yang Terverifikasi.
Cakupan produk tersedia di halaman fitur FoneClaw, dan pembaca Indonesia yang ingin mencoba jalur aplikasi dapat memakai halaman Download FoneClaw. Pilih framework jika Anda ingin membangun dan merawat runtime sendiri; pilih aplikasi siap pakai jika nilai utamanya adalah menyelesaikan tugas Android yang didukung tanpa mengelola stack eksperimen.
Sumber: repositori resmi Open-AutoGLM, repositori resmi Mobilerun, dan repositori resmi Minitap mobile-use.