SkillLens：面向检索增强GUI动作预测与On-Policy蒸馏的视觉技能卡

操作计算机的智能体能够感知丰富的软件界面，但其决策往往缺乏视觉程序性记忆：它们可能认出单个控件，却无法判断当前处于哪个熟悉的工作流、下一个关键控件是什么、或何种证据能确认进展。原始交互轨迹保留了这类信息，但冗长且噪声大，难以作为条件输入；而纯文本技能往往遗漏使某个流程适用的视觉状态。我们提出视觉技能卡（Visual Skill Cards，VSCs），一种将可复用流程与适用性线索、视觉证据和验证信号绑定的状态条件化记忆表示。SkillLens通过Trace-to-Visual-Skill-Card从异构交互经验构建VSC，并在推理时检索相关卡片，仅为固定的视觉语言模型执行器选择性地展开其所需的证据，以实现有依据的GUI动作预测。同一表示还支持CardDistill，它将VSC证据作为特权教师上下文，训练一个在运行时无需卡片检索即可行动的学生模型。在Multimodal-Mind2Web和WebLINX-BrowserGym上，SkillLens使冻结的GPT-5.4-mini执行器的Step SR分别提升+11.6分、Overall提升+2.9分；CardDistill进一步将仅用学生的Qwen3-VL-2B对应指标提升+12.0分和+3.2分。