Planner-Operator-Reflector（POR）框架在桌面 GUI 代理中被广泛采用，通过规划器、操作器和反射器的模块化协作保持目标对齐。
然而，桌面 GUI 往往界面庞大且信息密集，状态变化往往细微且分散，导致大部分工作落在反射器上，需要比较动作前后的屏幕，而规划器和操作器只能基于单一状态进行推理。
现有的反射器将变化检测与结果验证合二为一，证据隐式存在，导致决策缺乏扎实依据。
为此我们提出 Evidence-First Reflection（EFR），一种两阶段的反射器，首先显式提取动作诱导的视觉差异，再进行结果验证。
EFR 使用 Set‑of‑Marks 注解来标记动作位置及候选变化区域，随后描述并过滤与动作相关的变化，最后基于清理后的证据做出最终判断。
这种证据优先的设计使反射过程更直接依赖屏幕转变，显著降低视觉搜索复杂度和推理负担。
在 OSWorld‑Verified 与 WindowsAgentArena 两个基准上实验表明，EFR 将反射器准确率提升 7.11%，端到端任务成功率分别提升 5.94% 与 4.95%。
博主点评: EFR 的两阶段解耦思路为 GUI 代理的视觉推理提供了更可靠的证据链，尤其在复杂桌面环境中展现出明显的性能提升，值得在实际系统中进一步推广。