探索AI代理新范式：纯视觉方案能否成为通用终端的终极解法？

当前AI代理的开发往往受限于API接口、UI结构或底层组件的差异性，导致每切换一个软件环境就需要重新设计任务路径，开发成本高昂且通用性极差。针对这一痛点，有技术社区提出了“纯视觉方案”的设想，即仅通过屏幕截图、OCR识别、图像理解配合键鼠模拟来控制电脑。这种类似“远程桌面”而非“代码注入”的思路，试图利用大模型强大的多模态理解能力，打破软件生态的壁垒，被视为通往通用人工智能代理的一种潜在技术路径。