GUIAgent工作流程（查看手机耗电项目）

对于端侧 Agent 落地的问题，GUI Agent（图形用户界面智能体）是一个可能的解决方案，它是绕开 API 权限的另一条路径。GUI Agent 的核心逻辑是 “感知（See）→规划（Think）→行动（Act）” 的循环，其主要技术原理为基于视觉处理：Agent 会截取当前屏幕的截图，将其作为输入传给多模态大模型。模型则通过图像识别，理解界面上的按钮、文本框、图标，并预测出需要点击的坐标（x, y），从而帮助用户完成各种操作。