2026年7月7日，openJiuwen社区正式发布业界首个工程化落地的多模态Skill范式Skill-Omni，突破传统智能体纯文本指令的能力局限，可将网页截图、界面状态、操作视频转化为可复用视觉经验资产，面向修图、GUI操作等视觉类任务，可显著提升智能体执行准确率，为复杂视觉交互场景的智能体落地提供了新的技术路径。
给AI智能体输入一句“把这张人像的肤色调得更自然”，得到的结果往往要么偏冷白要么偏黄，很难刚好匹配用户的预期——这是长期以来依赖纯文本指令的AI智能体，在处理视觉相关任务时普遍存在的痛点。
长期以来，AI智能体的技能构建完全围绕文本指令展开，所有任务规则、执行标准都通过文字描述传递。但在修图、软件界面操作、电商后台批量处理等高度依赖视觉感知的场景中，文字的信息密度不足以覆盖所有细节，比如“色调柔和”“按钮位置偏上”这类描述，不同主体的理解偏差很大，直接导致智能体的任务执行成功率常年在30%左右徘徊，始终无法规模化落地。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号