Oppo открыла код X-OmniClaw: ИИ-агент видит, слышит и работает прямо на телефоне

Агент, который живет в телефоне, а не в дата-центре

Представьте: вы наводите камеру на банку крема в магазине и спрашиваете "сколько это стоит на Wildberries?" - и телефон сам открывает приложение, вбивает запрос и показывает цену. Без голосового помощника, который тупит. Без облака, которое видит все ваши фото. Именно это и делает X-OmniClaw - новый открытый ИИ-агент от команды Multi-X компании Oppo, который я считаю одним из самых честных технических релизов в нише мобильных ИИ-агентов за последние месяцы.

Oppo опубликовала исходный код и технический отчет по X-OmniClaw 17 мая 2026 года. Проект сразу привлек внимание: не очередная демка на YouTube, а реальная открытая архитектура, которую можно потрогать руками.

Принципиальное отличие от облачных агентов

Вся индустрия мобильных ИИ-агентов последние два года шла по одному пути: берешь виртуальный Android в облаке (привет, RedFinger, Alibaba Wuying, Tencent Cloud Phone), запускаешь там агента, он кликает по эмулятору. Удобно для разработчика - агент видит весь интерфейс через скриншоты, никаких проблем с доступом к системе. Но есть фундаментальная проблема: такой агент физически не может прикоснуться к вашей камере, микрофону или личным фото. Это виртуальная машина, изолированная от реального мира.

X-OmniClaw делает ровно наоборот. Вся логика восприятия, управления и взаимодействия с приложениями работает непосредственно на устройстве. Облако подключается только для "тяжелого" рассуждения - как внешний процессор для сложных задач, а не как центр управления. Oppo называет это ролью "топлива", а не мозга системы. Мне нравится эта метафора: облако здесь - бензин, а не водитель.

Три канала восприятия в одном пайплайне

Архитектурно X-OmniClaw объединяет камеру, экран и голос в единый поток данных. Сначала визуально-языковая модель интерпретирует сцену вместе с запросом пользователя - и только потом система переходит к действиям. Это важный момент: агент не бросается кликать сразу, а сначала "думает" над контекстом.

Пример из технического отчета: пользователь спрашивает "сколько это стоит на Taobao?", наводя камеру на продукт. Система внутренне перефразирует запрос в "цена Evian spray на Taobao" и только потом передает структурированное намерение на исполнение. Звучит как мелочь, но именно такое промежуточное переформулирование резко снижает количество ошибочных действий - это подтверждают и исследования по ReAct-агентам от Google.

Галерея как долговременная память

Одна из самых неожиданных фич - то, как X-OmniClaw обращается с фотогалереей. В режиме простоя агент обрабатывает снимки локально: создает компактные текстовые описания объектов, сцен и событий, сохраняет все в файл `image-memory.md`. По сути - персональная семантическая база данных из ваших воспоминаний.

Каждая запись проходит через фильтр чувствительного контента перед сохранением. Oppo прямо признает: пока часть обработки изображений все еще уходит в облако, и это риск. Переход на полностью локальные модели зрения - следующий шаг в roadmap. Честность в техническом отчете подкупает: компания не делает вид, что проблемы нет.

Клонирование поведения вместо пошагового повтора

Классические агенты работают как магнитофонная запись: запомнили последовательность кликов - воспроизводят ее. X-OmniClaw умнее: он клонирует намерение, а не путь. Агент извлекает прямую команду запуска нужного экрана приложения (deeplink) и в следующий раз прыгает туда напрямую, минуя весь сценарий навигации.

Если deeplink не работает - система автоматически откатывается к более простым методам запуска. Для определения кликабельных элементов используется комбинация XML-структуры интерфейса, модели grounding и OCR. Это критично для приложений, перегруженных рекламой, где XML-дерево само по себе не позволяет точно определить, куда именно нажать.

Что это значит для разработчиков и бизнеса

Открытый код - это серьезная заявка. Разработчики могут взять X-OmniClaw как основу для собственных агентов под Android, не строя инфраструктуру с нуля. Для бизнеса это особенно интересно в сценариях, где конфиденциальность данных критична: медицина, юриспруденция, корпоративные приложения. Когда агент не гонит ваши данные в облако - это меняет разговор с юридическим отделом.

Сравните с тем, что предлагает, например, Google с Gemini Nano на Pixel: там тоже есть on-device обработка, но архитектура закрытая, и вы полностью зависите от того, что Google решит поддерживать. X-OmniClaw - открытая платформа, которую можно форкнуть, модифицировать, встроить в собственный продукт.

Российский контекст

Для российских пользователей и разработчиков ситуация интересная. Исходный код опубликован на GitHub - доступ через обычный браузер без VPN. Смартфоны Oppo официально в России не продаются с 2022 года, но архитектура X-OmniClaw не привязана к конкретному железу Oppo: это Android-агент, теоретически совместимый с любым устройством на Android. Разработчики смогут адаптировать его под российские приложения - тот же Wildberries, Ozon, Сбер.

Мой вывод

X-OmniClaw - это не просто академическая демонстрация. Это рабочая архитектура, решающая реальную проблему: как дать ИИ-агенту доступ к полному сенсорному контексту устройства, не превращая телефон в терминал дата-центра. Oppo делает правильную ставку: будущее мобильных агентов - на устройстве, а не в облаке.

Открытый исходный код здесь - стратегический ход. Oppo не крупнейший игрок в экосистеме Android-ИИ, но через открытое сообщество может стать стандартом де-факто для on-device агентов раньше, чем Google или Samsung успеют закрыть эту нишу своими проприетарными решениями. Посмотрим, насколько быстро разработчики подхватят.