smolagents 新增视觉语言模型支持，可构建能看网页的浏览智能体

Hugging Face 为 smolagents 加入视觉支持，使其能原生使用视觉语言模型（VLM）。图片可在 agent.run() 中一次性传入，也可通过 step_callbacks 回调在每步结束时写入 ActionStep 的 observation_images 动态注入。