多数智能体当前依靠 actuation 模式工作：截图、视觉模型识别、模拟点击；这种方式通用但脆弱且昂贵，每一步都要传入图像和 DOM 快照，上下文迅速膨胀，页面改版或存在遮挡、懒加载时识别就会失效。