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： ESP32 开自己的 Wi-Fi 热点，当 AirPlay 接收端，收 iPhone 的屏幕镜像。 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）。 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...