3D视觉定位（3DVG）是具身智能的关键能力，要求智能体根据自然语言描述在3D场景中定位物体。现有的零样本方法利用2D视觉语言模型（LVLMs），但通常依赖已有的多视角图像集，且受限于标准3D分割工具所提供有限的空间与语义细节。我们提出$\textbf{AgentGrounder}$——一种直接作用于彩色点云的零样本3D视觉定位框架，无需任务特定的3D训练。该方法采用两阶段设计：（1）离线阶段，运用3D模型构建包含实例ID、语义标签和3D边界框的对象查找表（OLT）；（2）在线阶段，由工具驱动的智能体分解每个查询，仅从OLT中检索相关候选对象，进行几何评分，并在需要额外视觉证据（如颜色、材质或视角敏感线索）时按需触发图像渲染。与固定锚点-目标匹配流程相比，该设计减少了级联匹配错误，并通过避免无关对象过载提示来提升上下文窗口效率。我们在零样本设置下对ScanRefer和Nr3D进行评测，相比SeeGround在我们的实验配置中观察到一致提升：ScanRefer上
[email protected]提升2.5%，Nr3D上提升6.3%，其中Nr3D视角无关查询的增益尤为显著（+6.3%）。这些结果表明，选择性检索、几何推理与自适应视觉检查的结合为开放词汇3D定位提供了实用且稳健的基础。我们的代码已开源：https://github.com/be2rlab/AgentGrounder。