WebRetriever技术架构:视觉特征与DOM结构融合的网页元素定位方案网页操作自动化领域一直有个技术路线的分歧,究竟应该依赖 DOM 解析来定位页面元素,还是让模型直接从视觉输入理解界面?前者精确但脆弱,后者泛化性好但定位精度一直上不去。我们在 Mano-P 项目里走的是纯视觉路线,在 WebRetriever Protocol I 基准测试中拿到 41.7 NavEval,超过了 Gemini 2.5 Pro Computer Use 的 40.9 和 Claude 4.5 Computer Use 的 31.3。这篇文章拆解一下这个成绩背后的技术设计。