见与记：一种用于网页遍历的多模态智能体

自主网页导航要求智能体感知复杂视觉环境并维持长期上下文，但现有基于大语言模型的智能体常受困于空间迷失与导航循环。本文提出通用多模态智能体架构 V-GEMS（视觉定位与显式记忆系统），旨在实现精准且鲁棒的网页遍历。该智能体集成视觉定位以解析模糊交互元素，并引入具备状态追踪功能的显式记忆栈。这种双重机制使智能体能维护结构化的遍历路径地图，支持有效回溯并防止深度导航任务中的循环失败。实验表明，V-GEMS 显著优于 WebWalker 基线，性能提升达 28.7%。