待验证50% 置信事实精确时间
学术界将 GUI Agent 的感知方式分为视觉感知派（借助多模态大模型如 GPT-4V、Claude 3 进行像素级理解）和结构感知派（解析 DOM 树或 Accessibility Tree）两大流派
1
来源数
50%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
阿里开源Page-Agent：自然语言操控网页的Web智能体
githubGitHub Trending2026/7/5
相关事实
待验证GUI Agent的感知方式分为视觉感知派（以截图为输入借助多模态大模型）和结构感知派（解析DOM树或Accessibility Tree），前者泛化能力强但延迟高，后者速度快定位精准但依赖页面语义标注质量84% 相似待验证三维表示天然具备视角不变性，能将在某一角度演示的技能泛化到从另一角度执行的场景64% 相似待验证思维可视化的常见呈现形式包括树状结构、时间轴流程图和节点关系图61% 相似待验证建议的三步学习路径为：用可视化建立直觉、回到伪代码与源码理解细节、动手编码实现60% 相似待验证该方法通过视觉示例而非文本描述来定义目标类别，与OWL-ViT、Grounding DINO等通过视觉-语言对齐实现开放词汇能力的方法不同60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/115642API
curl https://kongchang.com/api/v1/knowledge/claims/115642MCP
get_claim(id=115642)