面向移动智能体的好奇心驱动知识检索

移动智能体在可靠的智能手机自动化方面取得进展，但复杂应用中的性能仍受限于知识不完整和对未见环境的弱泛化。我们引入一个好奇心驱动的知识检索框架，将执行期间的不确定性形式化为好奇心分数。当该分数超过阈值时，系统从文档、代码仓库和历史轨迹检索外部信息。检索内容被组织成结构化的AppCards，编码功能语义、参数约定、接口映射和交互模式。在执行过程中，增强的智能体选择性地将相关AppCards整合进其推理过程，从而弥补知识盲区并提升规划可靠性。在AndroidWorld基准上的评估显示跨基座的一致改进，平均增益六个百分点，与GPT-5结合时取得88.8%的新最优成功率。分析表明，AppCards对多步骤和跨应用任务尤其有效，而改进依赖基座模型。案例研究进一步确认AppCards减少歧义、缩短探索并支持稳定的执行轨迹。任务轨迹公开于 https://lisalsj.github.io/Droidrun-appcard/。