现代移动 GUI 代理能够感知当前屏幕并执行局部操作，但缺乏持久的应用特定导航知识——功能所在位置、包含这些功能的页面以及跨多次访问的等价屏幕。为此我们提出 TAG‑Nav，一种任务无关的图导航框架，能够在现有 GUI‑agent 主干外层加入可复用的目标记忆。离线探索阶段会将应用的功能、目标页面以及关键路径压缩为紧凑记录，随后在任何指令出现前即可使用。当后续任务的目标已被覆盖时，TAG‑Nav 能直接检索目标并提供路径指引，无需任务特定示例。这样将移动 GUI 的目标导航与完整任务完成解耦：多数任务共享“到达正确页面”的前缀，而最终动作可能是输入内容、发送数据、购买、删除或修改敏感设置。为单独评估路径寻找而不受下游执行干扰，我们设计了 DestBench——只判断代理是否到达正确的前置目标屏幕的导航协议。DestBench 使得我们能够在受控条件下比较无记忆代理、随机 BFS、自动 BFS 与干净图记忆的表现。实验表明，图记忆显著提升导航成功率：在 UI‑TARS‑1.5‑7B 上，从 52.4% 提升至 58.3%；在 Qwen‑VL‑Max 上，从 59.5% 提升至 71.4%。TAG‑Nav 与 DestBench 的结合证明，目标覆盖率和路径纯净度是决定图记忆价值的关键因素，图的质量应被视为可测量变量，而非探索的默认收益。
点评：TAG‑Nav 通过离线构建可复用的目标图，实现了任务无关的导航记忆，显著提升了跨任务的路径成功率。DestBench 的设计则提供了纯粹的导航评估基准，帮助研究者量化图质量对记忆效用的影响，为移动 GUI 自动化提供了新的研究方向。