本文综述多模态大模型驱动的智能代理研究，涵盖手机应用操作、移动端视觉语言模型、网页导航代理及自动驾驶。代理通过自主探索或模仿学习构建知识库，无需后端接口即可完成跨应用复杂任务，在多项基准测试中表现优异，并推动可视化与移动交互自动化发展。