Mereka telah mengembangkan "Doubaozz Phone" yang tidak dapat dimatikan, telah mendapatkan pendanaan angel tingkat puluhan juta

“帮我点一杯奶茶。”

“帮我在京东上买一个篮球。”

“帮我在猫眼上买一张电影票。”

Pertarungan pengendalian antara ponsel Doubao dan berbagai aplikasi belum mencapai hasil akhir, operasi pesan antar di Qianwen juga hanya mengintegrasikan ekosistem mereka secara mendalam, dan kini lobster kecil yang sedang viral di seluruh internet (OpenClaw) pun belum mampu menyelesaikan masalah otomatisasi lintas platform.

Namun baru-baru ini, dua insinyur dari perusahaan perangkat keras besar, Zhang Zhiyong dan Shan Wenbang, menggunakan Agent ZeroFlow yang mereka kembangkan sendiri. Berdasarkan model besar domestik yang memiliki kemampuan multimodal, mereka berhasil mewujudkan kemampuan kontrol multimodal secara sempurna di perangkat Android, browser Chrome, dan desktop PC. ZeroFlow dapat seperti manusia, membaca layar, mengklik, menggulir, mengetik, dan menyelesaikan serangkaian tugas otomatisasi lintas platform yang kompleks.

Jalur Teknologi yang Berbeda

Dalam upaya mewujudkan otomatisasi lintas platform, Doubao dan AutoGLM dari Zhipu mengambil jalur teknologi yang sangat berbeda.

Doubao bekerja sama dengan produsen ponsel, mendapatkan izin yang sangat tinggi, sehingga dapat melewati proses otorisasi pengguna atau aplikasi, tetapi ini langsung memicu resistensi dari pengembang aplikasi, yang kemudian memicu serangkaian pemblokiran.

AutoGLM yang bersumber terbuka dari Zhipu didasarkan pada izin operasi yang diperoleh melalui protokol adb, tetapi mode ini tidak bisa langsung dijalankan di ponsel pengguna, sehingga AutoGLM menggunakan mode mesin virtual jarak jauh, mengoperasikan ponsel pengguna melalui adb di dalam mesin virtual. Mode ini memiliki biaya kepercayaan yang cukup tinggi.

Sedangkan solusi utama ZeroFlow sangat bergantung pada Layanan Aksesibilitas Android (Accessibility Service). Layanan ini awalnya dirancang sebagai fitur bantu tingkat sistem untuk pengguna tunanetra di Android. Setelah mendapatkan izin ini, Agent dapat membaca isi layar, mendapatkan posisi dan isi semua teks, tombol, dan kotak input di antarmuka saat ini. Selain itu, Agent dapat meniru operasi manusia, melakukan klik, tekan lama, menggulir, mengetik, dan gestur lainnya. Solusi ini sangat bergantung pada kemampuan multimodal dari Agent dan model dasar, secara teori merupakan solusi yang tidak bisa diblokir oleh pengembang aplikasi.

Mendengar prinsipnya terdengar sangat sederhana, tetapi proses pengembangannya jauh lebih rumit dari yang dibayangkan. Zhang Zhiyong mengatakan kepada investor bahwa salah satu tantangan terbesar adalah bahwa banyak halaman web di dalam negeri sejak awal dirancang untuk mencegah otomatisasi (pada dasarnya adalah ekstensi dari “anti-scraping” dan “anti-cheat”), sehingga mereka menambahkan banyak langkah verifikasi dan “penyembunyian” secara teknis. Misalnya, Anda melihat sebuah tombol di sini, tetapi besar kemungkinan elemen aslinya berada jauh di tempat lain. Hal ini membuat pemahaman halaman web dari sudut pandang kode menjadi sangat sulit, tetapi dari sudut pandang multimodal menjadi jauh lebih sederhana, dan inilah sebab utama mengapa beberapa model besar tidak bisa membaca link web tetapi bisa membaca screenshot halaman web.

Di sisi lain, bagaimana menggunakan jumlah screenshot seminimal mungkin agar Agent memahami maksud yang benar juga menjadi tantangan dalam optimisasi teknik.

Shan Wenbang mengatakan kepada investor bahwa iklan pop-up dan redirect otomatis di halaman web dapat mengganggu pemahaman multimodal. Menggunakan model multimodal terbaik tentu bisa memberikan jawaban paling akurat, tetapi biaya Token yang dikeluarkan mungkin tidak mampu ditanggung oleh pengguna biasa. Jadi, bagaimana menggunakan model yang lebih murah, mengambil gambar seminimal mungkin, dan tetap mencapai pemahaman terbaik adalah tantangan teknik yang sangat besar.

Keseimbangan Antara Keamanan dan Kemudahan

Ketika ditanya apakah mereka khawatir perusahaan besar akan menghasilkan produk yang seragam, Zhang Zhiyong menjawab tidak khawatir. Karena perusahaan besar berbasis isolasi ekosistem mereka sendiri, meskipun memiliki teknologi ini, mereka tidak bisa mewujudkan otomatisasi lintas platform dan lintas perangkat yang benar-benar universal, karena jika satu perusahaan besar turun tangan, perusahaan lain akan menargetkan mereka. Inilah keunggulan tim startup.

ZeroFlow mengadopsi filosofi sumber terbuka dari OpenClaw, melakukan desain arsitektur mendalam dan optimasi terkait keamanan, kecocokan model, dan kemudahan penggunaan.

Risiko utama keamanan OpenClaw adalah sebagai “AI yang memiliki kemampuan panggilan alat”, ia dapat menjalankan perintah shell, membaca dan menulis file, mengirim pesan, dan mengakses jaringan. Jika prompt disusupi serangan injeksi atau dipancing, bisa menyebabkan pengendalian host, kebocoran data sensitif, dan masalah lain.

ZeroFlow mengatasi risiko ini melalui isolasi sandbox dan mekanisme desensitization model kecil. Di satu sisi, di workspace, informasi sensitif pengguna seperti kunci rahasia diisolasi dan disembunyikan, sehingga AI sendiri pun tidak mudah menemukan file sensitif tersebut. Di sisi lain, semua interaksi antara pengguna dan model besar dipantau oleh model kecil, dan jika terdeteksi informasi sensitif, akan dilakukan enkripsi dan desensitization. Dengan mekanisme ganda ini, file sensitif yang disimpan pengguna di cloud tidak mudah ditemukan, dan jika ditemukan pun sulit untuk dianalisis. Dengan sistem ini, ZeroFlow memungkinkan pengguna biasa menikmati kemudahan Agent sekaligus melindungi privasi mereka secara maksimal.

Dalam hal kemudahan, ZeroFlow menurunkan ambang penggunaan lobster ke tingkat yang baru, “rendah”. Proses deployment sangat dekat dengan kebiasaan pengguna produk internet, hampir tidak terasa. Cukup buka browser, daftar akun di situs web, dan mulai gunakan di kotak dialog.

Karena berbasis pada standar Tool Calling dari OpenAI/Anthropic, OpenClaw selalu mengalami masalah kompatibilitas dengan model domestik. Sebaliknya, ZeroFlow melakukan tuning engineering terhadap model-model besar utama dalam negeri (seperti Kimi, DeepSeek, dan lain-lain), tidak hanya meningkatkan pengalaman panggilan alat, tetapi juga mengoptimalkan engineering prompt, memendekkan panjang prompt rata-rata hampir 40%, dan secara signifikan menurunkan biaya Token.

Zhang Zhiyong mengatakan kepada investor bahwa biaya Token yang dibutuhkan pengguna biasa untuk menggunakan ZeroFlow dapat turun sekitar 30%.

Dari Agen Pemrograman hingga Agen Umum

Kelahiran ZeroFlow bukan sekadar tiruan kasar yang mengikuti tren.

Ketika gelombang model bahasa besar baru saja muncul, Zhang Zhiyong dan tim Shan Wenbang sudah berada di garis depan. Saat itu, mereka tidak mengejar narasi besar tertentu, melainkan fokus menyelesaikan satu masalah sangat spesifik: bagaimana membebaskan insinyur dari kerumitan detail pengkodean, sehingga kecerdasan benar-benar bisa digunakan untuk kreasi. Maka, mereka mengembangkan generasi pertama agen pemrograman internal, sebuah “teman kode” yang memahami konteks, mampu memprediksi niat, dan secara aktif melengkapi logika.

Alat ini berkembang diam-diam dalam sistem engineering mereka. Dari teknik prompt sederhana di era GPT-3.5, hingga ingatan dialog multi-putaran, panggilan alat, hingga siklus review kode… setiap iterasi adalah evolusi yang dipicu oleh kebutuhan nyata. Dalam beberapa tahun, sistem ini membantu mereka meningkatkan efisiensi R&D berkali-kali lipat.

Pada saat OpenClaw meledak, Zhang Zhiyong mengingat, mereka duduk di ruang rapat, menonton video demonstrasi, dan diam cukup lama. Bukan karena terkejut, tetapi karena mereka mengenali sesuatu yang familiar, jalan yang mereka tempuh sedang diulang oleh dunia yang lebih luas.

Saat itu, mereka menyadari bahwa selama tiga tahun, mereka tidak hanya membangun alat pemrograman, tetapi juga sebuah metodologi tentang ‘membuat agen benar-benar memahami niat manusia dan terus melaksanakan’.

“Jika metodologi ini bisa meningkatkan efisiensi insinyur berkali-kali lipat, mengapa tidak bisa memberi kebebasan yang sama kepada setiap orang di setiap industri?” Maka, lahirlah ZeroFlow.

“Seorang bisa berjalan lebih cepat”

Dari kiri ke kanan: Shan Wenbang, Zhang Zhiyong

“Saya rasa Agent benar-benar bisa meningkatkan kualitas hidup semua orang, semua orang seharusnya dibebaskan untuk melakukan hal-hal yang lebih tinggi, tetapi masalah terbesar saat ini adalah biaya akses bagi orang biasa masih terlalu tinggi. Bukan hanya memiliki lobster kecil ini, tetapi juga membuat lobster ini bisa bebas otomatisasi lintas platform untuk menyelesaikan masalah nyata di berbagai situasi. Jadi, yang ingin kami buat adalah sebuah Agent umum yang tidak memerlukan akses sama sekali, cukup buka browser dan langsung pakai,” kata Zhang Zhiyong.

“ZeroFlow bukan sekadar pengganti asisten pemrograman, melainkan memindahkan paradigma inti agen pemrograman (memahami niat → merencanakan jalur → memanggil alat → terus menjalankan → umpan balik dan iterasi) ke dalam skenario pekerjaan pengetahuan yang lebih luas. Analisis keuangan, proses operasional, produksi konten, wawasan data… di mana pun ada pengulangan, logika, dan output, di situlah ZeroFlow bisa berperan,” kata Shan Wenbang.

Ketika ditanya mengapa mereka tidak mewujudkan ide mereka di perusahaan sebelumnya, Zhang Zhiyong dan Shan Wenbang saling tersenyum: “Saya rasa sekelompok orang pasti bisa berjalan lebih jauh, tetapi satu orang bisa berjalan lebih cepat. Untuk zaman ini, kecepatan mungkin lebih penting.”

Saat ini, Yilzero Technology telah mendapatkan investasi dari angel investor pribadi dan modal dari Hansheng Capital, dengan dana utama digunakan untuk penyempurnaan fitur produk dan promosi lebih lanjut.