**代理技能应超越文本：视觉技能的理由**

_Agent Skills Should Go Beyond Text: The Case for Visual Skills_

> 这篇论文提出了一种多模态技能范式，将声明性文本逻辑与显式视觉支持相结合，使AI代理不仅能描述做什么，还能编码看哪里、如何检查以及如何验证视觉结果。通过自动将代理经验转化为可复用多模态技能的系统，实验表明在需要空间对应、视觉证据和状态感知交互的GUI和视觉中心任务中，视觉技能持续优于纯文本技能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.01414)