Mobile Harness 的心智模型。
Coding Agent 現在已經很會寫 code 了，Mobile 開發下一步就是讓 Agent 自己打開 App、操作手機、跑測試，最後自己驗證結果：Hardware-in-the-loop。
研究了一輪 GitHub 上的工具，像《Mobile MCP》、《Phone Harness》、《Mobilerun》，整理後，Mobile Harness 可以用三個問題理解：
1. 跑在哪裡？
Simulator / Emulator，還是真實手機？
如果只是測自己開發的 App，Simulator 其實非常強。Agent 可以 build、install、launch、截圖、重開 App、收 log，整個 runtime 都在控制範圍內。
真機的價值則在 Camera、Bluetooth、Sensor、真實效能、系統互動，或是你今天就是要操作一支真的 iPhone / Android。
2. AI 怎麼看手機？
第一種是 Accessibility Tree。Agent 直接拿到 Button、TextField、Label 這些結構化資訊，定位準、速度快，也非常省 Token。
另一種是 Visual。Screenshot 給 AI 看，AI 找位置、做操作、再 Screenshot 驗證。這種幾乎什麼 UI 都能處理，代價就是 Vision Inference。20 個步驟的測試流程，每一步都先截圖、看 Vision、做事情、再截圖，AI 的 token 跟效能延遲很快就會越來越爆炸。
所以現在也開始出現 Hybrid 的做法：Accessibility 能解決就直接解決，需要看畫面再進 Vision。
3. Agent 怎麼控制它？
這也是各家 Mobile Harness 很不一樣的地方。
有些直接包成 MCP Tools，Claude Code、Codex 接上去就可以操作；有些走 CLI / Python API；也有很薄的 Harness，直接給 Agent primitives，缺什麼 helper 再自己加上去（run time）。
把這三個問題套上目前主流工具，頭腦就清楚很多
《Mobile MCP》：MCP + 跨平台 + Structured UI
它把 iOS、Android、Simulator、Emulator、Real Device 的操作包成 MCP Tools。
最大的優勢就是標準化。你的 Agent 本來就支援 MCP，接進去之後就可以拿 UI 資訊、Tap、Swipe、輸入、Screenshot。
如果目標是做一般 App 的 Testing Agent，我會先從這類開始。
《Phone Harness》：Real iPhone + Visual
它直接利用 macOS 的 iPhone Mirroring 控制你手上的真實 iPhone。Screenshot、Apple Vision OCR、找座標、操作，再 Screenshot 驗證。
整個 Harness 不多，但是 Agent 缺什麼操作可以自己寫 helper 補上去。
適合真的需要「操作實體 iPhone」的場景，但如果大量 workflow 都靠 Screenshot + Vision，token 跟 latency 就要算進去。
《Mobilerun》：Hybrid
它把 Accessibility Tree 跟 Screenshot / Vision 放在一起。Structured state 拿得到就直接拿，需要理解畫面再進 Vision，所以它的定位剛好在前面兩種 perception 中間。
總結來說，如果今天要做 Testing Agent
先看測試內容。
- 一般 Native App、Login、購物流程、Settings、Regression Test，優先 Simulator + Accessibility。
- 遊戲、地圖、Drawing App、影音 Editor、Canvas UI，就會需要更多 Visual。
- Camera、Bluetooth、Sensor、效能或真實系統行為，再選需要實體的 Harness 或上裝置。
心智圖：
Accessibility → OCR → Cropped Vision → Full Screenshot
問對問題：
Where does it run？
How does it see？
How does Agent control it？