Operit AI：把 Ubuntu 終端與本地大模型裝進安卓的開源工具

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

Operit AI 是一款開源的 Android 應用程式，把大型語言模型的對話介面、一個跑在手機裡的 Ubuntu 終端，以及 Android 裝置自動化，收進同一個 App。對於想把旗艦手機當成隨身 AI 工作環境的進階玩家，它省下同時安裝 Termux、聊天前端與自動化工具的麻煩。這篇要拆解的是它的真實架構、想跑本地模型會遇到的硬體門檻，以及幾個會直接改變你決定的限制。

先說接觸層級：我沒有實際安裝操作這個 App，下面的判斷都建立在官方 repo，所以它能證明的是「這些能力確實存在」，而非「它在你的手機上跑得多快多穩」。涉及效果與效能的地方，我會標明哪些還需要你自己驗證。

Pin

它到底在做什麼：把三件事縫在同一個 App

Operit 的核心，是把三個原本各自獨立的能力綁在一起。它先有一個支援多種大型語言模型的對話前端，可以接 OpenAI、Claude、Gemini 這類雲端 API，也能透過 Ollama、LM Studio 連接本機模型。在這之下，是內建的 Ubuntu 24.04 終端環境，讓你在手機上跑 Linux 指令、Python 與 Node.js 腳本。再把視線往外拉，還有 Android 裝置自動化這一層，透過無障礙服務、Shizuku 或 ADB、甚至 Root 權限，讓 AI 能實際操作手機上的 App。把這幾層疊起來，它想做的是讓 AI 不只是聊天，還能動手做事。

值得注意的是它的 Ubuntu 環境是怎麼跑的。官方 README 明確寫出，這是一個 Ubuntu 24.04 的 ARM64 使用者空間，預設透過 PRoot 來執行，條件允許時也可以改用 chroot。這兩種手法都不需要替換 Android 核心本身，而是在現有核心之上模擬出一個獨立的檔案系統與目錄結構。如果你用過 Termux 搭配 proot-distro 安裝 Linux 發行版，那是同一個家族的技術原理。好處是不用刷機、不用解鎖 Bootloader 就能在手機上拿到一個接近 Linux 的環境；代價是它終究不是完整的虛擬機，核心仍是 Android，少數需要特殊核心模組或核心等級權限的操作會做不到。

本地模型推論則是另一條獨立的路線。Operit 從 v1.6.0 開始內建 MNN 推論引擎，v1.8.1 又加入以 llama.cpp 執行 GGUF 格式模型的能力。也就是說，只要你手機算力與記憶體夠，可以把模型權重檔放進手機、完全離線推論；不想吃手機資源的話，也能把模型設定指向雲端 API，或指向同一個區網裡另一台跑 Ollama 的電腦。README 還提到，你可以為對話、記憶、摘要、UI 控制等不同任務分別指定不同的模型，把貴的模型留給關鍵步驟。

談到本地模型，要誠實面對手機推論的現實。一個 7B 參數的模型，就算經過 4-bit 量化壓縮成 GGUF，模型檔本身少說也要 4GB 左右，推論時還會吃掉可觀的記憶體；想再往上壓到 13B 或 14B 等級，對 RAM 的要求會直線上升。換句話說，官方建議的 4GB RAM 是「App 跑得起來」的門檻，不是「離線跑得動中等模型」的門檻，兩者之間有不小的距離。實際能在你手上那支手機順跑的模型大小，取決於裝置的 RAM 與 NPU 算力，README 對此沒有給出保證，只能自己拿模型檔實測。相對地，如果只是接 OpenAI 或 Gemini 的 API，對手機硬體的要求就回到一般 App 的水準，這也是為什麼多數人第一次設定會從雲端模型開始。

官方揭露的代表流程

從 README 描述的安裝流程，可以看出它預期的使用樣貌：先從 GitHub Releases 下載 APK 安裝，啟動後跟著引導設定好要用哪個模型、要開放哪些權限，然後開始用。模型可以在內建的多家雲端服務裡挑一個填入 API 金鑰，也可以指向本地或區網的模型服務。終端環境則在需要時才進入，支援多個工作階段、Python、Node.js、vim、SSH、tmux，以及 Logcat、SQLite、Git、APKTool 這類開發工具。

把這些能力串起來看，一個具體一點的任務樣貌是這樣：你請 Operit 讀一段收到的中文訊息，摘要重點、翻成英文，再把翻譯結果存成一個文字檔。這條鏈會先用對話模型做摘要與翻譯，接著呼叫檔案工具把結果寫進 Ubuntu 環境裡的某個路徑，整個過程由模型的工具呼叫能力串接。如果再加一層裝置自動化，它還能透過無障礙服務去操作某個通訊 App，把翻好的訊息貼進對話框送出。這條鏈能不能跑通、跑到哪一步會卡住，正是安裝完之後第一個值得驗證的事，也比單獨看功能清單更能看出這個 App 適不適合你。

圍繞這個核心，官方把內建工具分成檔案處理、系統操作、網路請求、媒體轉檔與 OCR 等類別，並透過一個市集機制讓你安裝額外的 MCP 外掛、Skill 與腳本。它也內建一個具備代理能力的瀏覽器，以及用視覺化節點串接的工作流自動化。語音互動支援本地或雲端 TTS，還有角色卡片、知識圖譜記憶、桌面寵物等個人化功能。必須先講，這份清單是官方揭露的功能，證明的是「這些能力存在」，至於每項功能在你手上的實際效果與穩定度，README 並沒有提供保證。

它的擴充性值得多說一句。Operit 把額外能力拆成幾種形式：ToolPkg 是打包好的工具包，Skill 是可安裝的技能模組，再加上支援 MCP 協定的外掛，讓第三方能把自家服務接進 Operit 的工具呼叫鏈。這代表它的能力沒有寫死，可以隨市集慢慢長出來；但反過來說，外掛的品質與安全由各外掛作者把關，安裝前最好先確認來源與權限範圍，畢竟這些外掛最終會透過你的手機權限實際做事。

順帶一提，這類把 AI agent 與 Android 裝置自動化結合的做法，最近相當常見。如果你對同類工具好奇，可以參考我們介紹過的 AutoGLM Android 自動化、OMG Agent，或同樣鎖定 Android 的 OpenCyvis Android AI Agent，它們各自在自動化的範圍與隱私取向上有所不同。

官方資料沒辦法幫你判斷的事

正因為接觸層級只到官方資料，有幾件事是 README 撐不起結論的，必須先講清楚。先看效果：repo 自述它是「Android 上最強大的 AI agent 與 AI 聊天軟體」，這是作者的行銷語，屬於作者宣稱而非獨立驗證的結論，我不會把它當成事實轉述。穩定度是另一個讀不出來的：自動化操作手機、跑本地模型、開終端機這幾件事，在不同品牌的 Android、不同版本與不同權限設定下會遇到多少狀況，沒有實際安裝是看不出來的。至於和競品比，它能做什麼可以被核對，但「比 Termux 好用」「比某個雲端助手聰明」這類說法，沒有對稱的測試條件就站不住。

還有一點容易誤解。Operit 常被形容成「無須雲端」「完全本地」，但從官方流程看，首次使用必須設定一個模型才能開始，而多數人會選的正是 OpenAI、Claude、Gemini 這類雲端 API。真正完全離線的本地推論是進階選項，需要你主動準備 GGUF 模型檔，並確定手機推得動。把「支援本地模型」直接理解成「預設不用雲端」，會高估它開箱即用的離線能力。在本地 AI agent 這個方向，我們也寫過 Osaurus 這類 macOS 本地 AI agent 的介紹，可以當作跨平台的對照。

會改變你決定的硬限制

在動手安裝之前，這幾個限制會直接影響你的判斷：

• 只支援 ARM64 架構的手機：README 載明僅支援 arm64-v8a。少數較舊或特殊架構的裝置裝不起來，這會直接決定你能不能用。
• 需要 Android 8.0 以上：版本太舊的設備不在支援範圍。官方建議至少 4GB 以上記憶體與 200MB 以上儲存空間，但這只是 App 本身的門檻。
• 跑本地模型另有硬體門檻：要把一個 7B 甚至更大的 GGUF 模型塞進手機離線推論，需要的不只是那 200MB，而是數 GB 起跳的模型檔，以及夠大的 RAM 與夠強的 CPU 或 NPU。入門款手機實際跑起來的速度與發熱，必須自己驗證，我不在這裡給出未經測試的數字。
• 只能側載安裝：Operit 沒有上架 Google Play，只能從 GitHub Releases 下載 APK。你得在 Android 裡開啟安裝未知來源的權限，並自行承擔側載的信任風險，務必確認下載來源是官方 repo。
• 自動化要付出權限成本：裝置自動化的能力與你願意開放的權限綁在一起。只開無障礙服務、用 Shizuku 或 ADB、到全面 Root，是三種侵入程度遞增的選擇，你開到哪一層，它就能做到哪一層，但也代表你把手機愈多控制權交給它。
• 區網服務預設關閉：它附帶的區網網頁聊天與 HTTP API 基於安全考量預設不開啟，想從電腦操作手機上的 Operit，需要自己打開並理解風險。

另外要誠實點出它與 Termux 的關係。Operit 的 Ubuntu 環境用的 PRoot 手法，和 Termux 加上 proot-distro 是同源的技術，並不是從零發明。懂技術的人或許會問：我自己用 Termux 裝 proot-distro 跑 Ubuntu，再裝 Ollama 和一個聊天前端，是不是就能拼出同樣的東西？理論上不少零件確實重疊。但自己拼的代價，是要分別設定終端、模型服務、聊天介面，還得自己處理它們之間的串接；Operit 的價值在於把這些事打包成一個安裝即用的 App，再加上 Android 裝置自動化與 MCP 外掛市集這兩層 Termux 本身沒有的整合。如果你享受自己組裝的過程，Termux 路線更靈活、更輕；如果你要的是開箱就把這幾件事接好，Operit 省下的是設定時間，代價是接受別人幫你決定的整合方式。同樣把開源 AI agent 做成桌面工作環境的，還有我們介紹過的 Coworker 開源 AI 桌面代理，可以一起參考。

授權與專案狀態

Pin

Operit 的官方 repo 是 GitHub 上的 AAswordman/Operit，以 GNU LGPL-3.0 授權開源，主要語言是 Kotlin，搭配 Jetpack Compose 撰寫介面。截至 2026 年 8 月，它在 GitHub 上累積約 6.6k 顆星、500 多個 fork，提交紀錄超過 1300 次，仍持續更新；最新版本是 v1.12.0（2026 年 7 月），開發軌跡從 2025 年 4 月的 v1.0.0 一路推進。下載時請認明 AAswordman 這個帳號，因為 GitHub 上存在 mirror 或 fork（例如另一個 Mavaebrook 帳號的副本只有個位數星數），別誤抓。另外官方還有一個跨平台後繼專案 Operit2，如果你用的是桌面系統，可以再留意它的進展。LGPL-3.0 屬於 copyleft 授權，拿來做衍生作品或商業整合時要留意授權繼承義務，詳細以 repo 的 LICENSE 檔為準。

值不值得裝，自己驗一步

如果你看到這裡還在猶豫，可以用一個低成本的方式先判斷。先到 AAswordman/Operit 的 README 對照你的手機架構與 Android 版本，確認落在支援範圍；再決定你第一次要用雲端 API 還是本地模型。我的建議是，就算你最終目標是離線推論，第一次先把模型設成某個雲端 API，確認對話、終端、工具呼叫這條主流程跑得起來，再回頭嘗試本地 GGUF 模型。看見 AI 能正確呼叫一個工具、或在終端裡執行一段腳本並把結果帶回對話，就代表它的核心整合是通的，值得你進一步花時間調自動化與權限。如果連這條主流程都跑不順，那問題出在整合層，再多的本地模型或自動化也救不回來，先停手反而省時間。

Operit AI 不是給每個人的 App。它假設你願意側載、願意自己搞定模型設定與權限、也願意承擔開源專案那種「文件有寫但不一定都順」的現實。對於把旗艦手機當生產力工具、想讓 AI 直接動手操作 Android 的進階玩家，它把好幾件本來要自己拼的事收進一個地方，是值得花一個晚上試試的開源方案；但如果你只是想找一個開箱即用、不用設定的雲端助手，那它目前的門檻恐怕還是偏高。