待验证50% 置信事实精确时间
在基于大模型的浏览器自动化中，模型既是感知页面状态的眼睛，也是规划行动序列的大脑，取代了传统RPA中人工预先录制或编写的固定脚本
1
来源数
50%
置信度
长期有效
时效性
2026/9/20
首次发现
来源
涉及实体
相关事实
待验证新模型获得了原生视觉输入能力，能够读取视觉输入并访问浏览器以'看到'自己的输出并迭代74% 相似已验证Computer Use通过多模态大模型直接查看屏幕截图来理解界面布局和内容语义，与传统RPA依赖预定义规则和固定UI元素定位的方式有本质区别73% 相似待验证Anthropic's Computer Use employs a 'screenshot-reason-execute' loop where AI captures the current screen, feeds the image into the Claude model for visual understanding, and outputs the next action including click coordinates, keyboard input, and scroll commands.73% 相似待验证多模态视觉Agent通过截图向模型反馈前端页面实际渲染效果，形成截图→分析→修改提示词→重新生成的闭环，是相比纯文本模型的核心优势71% 相似待验证视觉还原评估利用视觉语言模型（VLM）将生成的页面截图与原型设计图进行对比71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/936418API
curl https://kongchang.com/api/v1/knowledge/claims/936418MCP
get_claim(id=936418)