Mobile-Agent是一款自主多模移動設備代理，利用多模大語言模型（MLLM）技術，首先利用視覺感知工具準確識別和定位應用程序前端界面中的視覺和文字元素。基於感知的視覺環境，它自主規劃和分解複雜操作任務，並通過逐步操作來導航移動應用程序。與之前依賴於應用程序的XML文件或移動系統元數據的解決方案不同，Mobile-Agent以視覺為中心的方式在各種移動操作環境中具有更大的適應性，從而消除了對特定系統定製的必要性。為了評估Mobile-Agent的性能，我們引入了Mobile-Eval，這是一個用於評估移動設備操作的基準。基於Mobile-Eval，我們對Mobile-Agent進行了全面評估。實驗結果表明，Mobile-Agent實現了顯著的準確性和完成率。即使在具有挑戰性的指令下，例如多應用程序操作，Mobile-Agent仍然可以完成要求。