Unverified50% confidenceFactExact time

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

Sources

50%

Confidence

Long-term

Relevance

7/6/2026

First Seen

Sources

Alibaba Open-Sources Page-Agent: A Web AI Agent for Controlling Interfaces with Natural Language

githubGitHub Trending7/5/2026

Related Claims

Unverified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% similar Unverified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% similar Unverified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% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/115642

API

curl https://kongchang.com/api/v1/knowledge/claims/115642

MCP

get_claim(id=115642)