通用视觉Agent的多模态技能库

当前视觉Agent的最大瓶颈不是感知能力，而是任务规划与工具调用的可靠性——大多数项目卡在20+步骤后错误累积爆炸。MMSkills的解法是把常见操作抽象成可复用技能模块，类似软件工程的函数库思路，这比端到端训练更容易冷启动。

论文热度99 upvotes但仅1条评论，说明社区高度关注但还没人跑通复现。如果代码和技能库完整开源，它可能成为视觉Agent领域的LangChain时刻；如果只是框架论文，实际落地还得等半年。建议先star观望，等有人放出复现笔记再投入生产测试。