通过 ESP32-S3 让 iPhone 设备可被 AI 控制

前几天在搞别的硬件项目，手边正好有块 ESP32-S3 ，突然冒出个想法：它能模拟 USB 鼠标，iPhone 又有辅助触控，那能不能让它当鼠标直接去点手机？

试了一下真行。然后越做越上头：眼睛怎么办？干脆让它同时当 AirPlay 接收端，iPhone 把屏幕镜像直接推给它。这样整套就只剩一块 40 来块的板子（ XIAO ESP32S3 ）加手机上的一个 App ，没有 Mac 在中间，也不用 Xcode 和开发者账号了。

流程是这样的：

1. ESP32 开自己的 Wi-Fi 热点，当 AirPlay 接收端，收 iPhone 的屏幕镜像。
2. 板子不解码，把 H.264 通过蓝牙原样转给手机上的 App ，App 把截图交给视觉模型（任意兼容 OpenAI 接口的都行）。
3. 模型给出动作，App 经蓝牙发回板子，板子扮成 USB 鼠标键盘，配合辅助触控去点。

做的过程里有几个有意思的坑：

• 蓝牙只有几百 kbps ，视频和点击命令还共用同一条链路。所以点击和回复优先插队，视频让路；链路慢的时候只发关键帧，不让延迟越攒越多。画面也压到了 480×1040 、最多 5 帧。
• 鼠标是相对移动，手机不告诉你指针在哪，位置只能自己记。所以每隔几次操作就把指针推到屏幕角落归零，跟 3D 打印机回原点一个思路。
• 不同机型的鼠标移动距离和屏幕的比例不一样，所以做了自动校准，思路也像 3D 打印机的自动调平：先归零，再移动固定的鼠标距离去点一排点，App 记下每次实际点到了屏幕哪里，拟合出 X 、Y 两个方向的比例。点击没反应的话，就退回去在镜像画面里找指针。

目前竖屏，输入以 ASCII 为主，每一步几秒。第一次刷固件和编译 App 需要一台 Mac ，之后日常使用不需要电脑。

GitHub： https://github.com/onehumanbeing/esp32-iphone-agent

演示视频： https://x.com/iamhenryyuan/status/2110553019763097769