smolagents 新增视觉支持，可原生接入视觉语言模型构建浏览器智能体

Hugging Face 为 smolagents 加入视觉支持，使视觉语言模型可原生用于智能体流程。图像可在 agent.run 启动时传入，也可通过 step_callbacks 在每步动态写入 ActionStep 的 observations_images。