- 产品派

浪子回头呗 · 2026-07-07T12:02:15.378Z

跑短任务的时候，多模态大模型驱动的 GUI Agent 已经能看懂截图、猜出意图，然后去点按、输入、滑动。不过一旦任务一拉长，跨几十步、切好几个 App、跳 N 次页面，上下文就容易崩。前面看过的价格、联系人、规格、日期、验证码、要填入的文字，后面步骤里可能就被稀释、转述出错，或者直接被截断忘掉。 MemGUI-Agent 做的不是单纯把 prompt 拉长，而是让 Agent 在操作界面的同时自己判断：哪些历史该压缩，哪些关键 UI 事实必须记牢，当前这一步该怎么描述。这样在多步长任务里，那些容易丢的信息不至于中间就没了。

浪子回头呗

1个月前