Hugging Face smolagents 原生支持视觉语言模型

Hugging Face 在 smolagents 中新增对视觉语言模型（VLM）的原生支持，允许在智能体管道中直接使用视觉能力。通过提供初始图像输入和基于回调的动态截图机制，开发者可轻松构建如自主网页浏览等视觉智能体。