智能体视频理解综述：从文献分类到开放方向

该综述聚焦于利用视频作为主要信息源的智能体系统，探讨其通过自适应状态构建与动作选择解决理解任务的机制。文章提出挑战-设计分类法，将上下文瓶颈、证据稀疏等问题与分层记忆、主动获取等设计相对应，并回顾了状态空间与学习范式。该工作已被 DICTA 2026 接收，旨在推动智能体原生的时间建模与视频原生智能体发展。