Sova AI: KI-Agent für Android ohne PC

Sova AI: Ein autonomer KI-Agent für Aufgabenautomatisierung auf Android

Sova AI ist eine mobile App für Android, die einen KI-Agenten implementiert, der Apps steuern und Benutzeraufgaben direkt auf dem Gerät ausführen kann. Sie benötigt weder ADB, USB-Verbindung, Root-Zugriff noch einen PC. Sie arbeitet über die Accessibility API, analysiert die Bildschirmelementstruktur und Screenshots. Sie unterstützt Sprachbefehle als Standardassistent.

Unterschiede zu bestehenden Lösungen

Die meisten KI-Assistenten für mobile Geräte (Computer- oder Browser-Nutzung) sind an einen PC gebunden, was die Mobilität einschränkt. Sova AI funktioniert ausschließlich auf dem Smartphone, simuliert Klicks, Scrollen, App-Starts und andere Benutzeraktionen. Sie kombiniert UI-Strukturanalyse mit Computer Vision für Genauigkeit und minimiert den LLM-Token-Verbrauch.

Unterstützte KI-Modelle

Die App nutzt BYOK (Bring Your Own Key) – der Benutzer stellt einen API-Schlüssel von einem Anbieter bereit. Integration mit:

• OpenAI
• Anthropic
• Google
• Grok
• Alibaba (Qwen)
• Deepseek

Schlüssel werden lokal gespeichert, ohne Übertragung an Server. Unterstützung für lokale Modelle (Ollama, LM Studio) ist für den Betrieb ohne Cloud-APIs geplant.

Praktische Anwendungsfälle

Sova AI wurde in realen Aufgaben getestet:

• Taxi- (Uber) und Essensbestellungen
• Restauranttischreservierungen
• Automatisierung von Tinder
• Arbeit mit Kamera- und Astronomie-Apps
• Verfassen von Nachrichten in Telegram, X (Twitter)
• Suchen und Erstellen von Playlists auf Spotify, YouTube

Grenzen werden durch die LLM-Geschwindigkeit definiert – nicht geeignet für Echtzeit-Spiele, funktioniert aber in rundenbasierten (z.B. Präferenz).

Installation und Verfügbarkeit

Die App ist aufgrund von Accessibility API-Beschränkungen nicht im Google Play verfügbar. Verbreitet über APK von der Website, Samsung Galaxy Store und Xiaomi GetApps. Installation ist einfach, für alle Benutzerebenen geeignet. Derzeit kostenlos.

Wichtige Punkte:

• Volle Autonomie: Kein PC, Root oder spezielle Hardware erforderlich.
• Flexible LLM-Integration via BYOK.
• Token-Einsparungen durch Kombination von UI-Struktur und Screenshots.
• Sprachsteuerung als Systemassistent.
• Einschränkungen: Nicht für hochfrequente Echtzeitaufgaben.

Technische Implementierung

Im Kern – Android Accessibility API für den Zugriff auf die Bildschirmelementhierarchie. Ergänzt durch Screenshot-Analyse für Aufgaben, bei denen die Textstruktur unzureichend ist. LLM generiert Aktionssequenzen (Klicks, Wischen, Texteingabe). Token-Optimierung senkt Kosten: Das Modell konzentriert sich auf Schlüssel-UI-Fragmente.

Für Entwickler: Offenheit für neue LLM-Anbieter – Integrationsanfragen werden angenommen. Lokale Modelle umgehen Cloud-Kosten.

— Editorial Team