自主视觉 Vision Agent

定义

自主视觉是 TA TA 通过摄像头和视觉算法理解物理环境的能力：物体识别、场景理解、OCR、人脸（经授权）等。是连接数字与物理的眼睛。

适用场景

• 识别屏幕上的 UI 元素（配合 Computer Agent）
• 监控画面异常检测
• 文档拍照 OCR

技术原理（可公开部分）

多模型融合：检测+分类+OCR 按需组合。隐私保护：人脸等敏感识别需明确授权。

评估指标

• 识别准确率
• 延迟
• 隐私合规率

调用接口

内部能力（暂未开放 API）

查看完整开发者文档 →

版本历史

v1.0（2026-10）：基础视觉识别上线