多模态 Agent 成为新热点：从“会聊天”到“会做事”

2026年6月15日 · 词元 Token

Agent 正从纯文本推理走向“感知—决策—执行”的闭环。结合浏览器操作、视觉理解与 API 调用，Agent 已能完成订票、填表、数据整理等真实任务。

关键能力

• 视觉理解界面元素
• 自主调用外部工具
• 长程任务记忆

风险与治理

自主执行带来安全与成本不确定性，建议在关键步骤设置人工确认，并用 Token 与调用预算做上限控制。