「视觉 Agent」共找到 3257 篇相关文章
给 Agent Skills 装上眼睛：MMSkills 用多模态技能包教会智能体看状态、做决策
上海交通大学和小红书团队推出面向通用视觉 Agent 的多模态技能框架 MMSkills，将可复用技能扩展为多模态程序性知识，通过 branch loading 调用视觉证据，在 GUI 与游戏任务评测中表现出色。
未来，你的 Agent 怎么付钱？
借 a16z 文章，探讨 Agent payment 领域进展。实现 Agent 自主支付是未来关键方向，现已有迹象且部分企业推出解决方案，但 Agent 处理支付尚未真正自主，还面临角色范围、欺诈、责任归属等难题。
OmniWork：面向创作者的 Agent OS
文章介绍了面向创作者的 Agent OS OmniWork，它的 Agent 围绕专业方向定制，Expert 和 Skill 可自行创建，能多 Agent 协作。通过实例展示其从热点捕捉到生成 BP、文章创作等功能，还介绍了底层逻辑，适合创作人群。
扣子 Agent 创作者榜单 - 2025.4
2025 年大模型和 Agent 渐入大众视野，虽大家对 Agent 理解有别，但它落地效果和想象空间大。扣子用户达百万级，此次发布最新创作者榜单，后续还将发相关内容。
仅用图像也能Think：Google等提出一种视觉规划的全新推理范式！
剑桥和Google等提出并开源视觉规划范式，通过纯视觉表示规划，独立于文本。还引入VPRL框架，用GRPO后训练大型视觉模型。实验选三个视觉导航任务，VPRL表现最佳，显著优于其他方法。
从 MCP 到 Agent：构建可扩展的 AI 开发生态的工程实践
本文整理自字节跳动 Trae 架构师陈仲寅在 AICon 2025 上海的分享。探讨通过 MCP 及 Agent 构建可扩展生态体系，涵盖自定义 Agent 设计、与工具集成及共建等内容，还展望技术演进方向与 AICon 深圳站信息。
被骂“在乱讲”的专家，这次可能说对了：传统数据仓库正在被 Agentic AI 吞噬
作者认为AI浪潮影响软件生态，Agentic AI时代下，传统数据仓库和复杂ETL链路将被重新设计甚至消失，其偏重结构与查询模式会被Agentic Data Stack架构强调语义与响应模式取代。
从亚百毫秒级启动到生产级部署，腾讯云为何重构 Agent 沙箱？
2026 年初，OpenClaw 掀起本地终端 Agent 热潮，但也带来安全风险，让 Agent 沙箱受关注。腾讯云 4 月开源 Cube Sandbox，InfoQ 采访金峰，了解其从 Serverless 到 Agent 沙箱过程及团队对下一代 Agent Infra 的判断。
Agent 开发，迎来「AI 云原生」时刻
大模型时代，交互主体变为 Agent，「AI 云原生」应运而生。它围绕 Agent 重构架构，有全新技术栈。基于火山引擎工具和模型，展示了 Agent 开发的新流程，还做了两个应用案例。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。