vision-universal

name vision_universal description 通用识图工具，支持本地图片和远程URL。原生多模态端点优先，兼容所有OpenAI格式的多模态API（GPT-4o、MiMo、Claude等）。当用户需要分析图片、提取图中文字、识别图片内容时使用。 version 1.2 category multimodal enabled true tags ["multimodal","vision","image-analysis"] 通用识图 (Vision Universal) 使用多模态模型分析图片内容，支持多图和单图。 插件路径 plugins/vision_universal/ 工作方式 直接调用 provider.respond() 将图片注入 chat messages，走多模态模型的 Chat Completions API，无需额外配置。 模型优先级 vision_model （config.json 专用配置）> 默认聊天模型 model 如配置 "vision_model": "xiaomi/mimo-v2.5" ，识图使用 MiMo；不配则使用聊天模型自动检测。 注册工具 工具名 描述 vision_analyze 分析单张或多张图片，支持本地文件和远程 URL vision_universal 兼容旧名，功能同 vision_analyze ，优先使用 images 参数 image 参数为兼容旧调用保留，实际调用时优先使用 images （列表）。 参数 参数 类型 必需 默认值 说明 images string[] 否 — 图片路径列表（本地文件路径或 http/https URL）。优先使用此参数 image string 否 — 单张图片路径（兼容旧参数，优先使用 images ） prompt string 否 "描述这些图片的内容" 分析提示词 detail string 否 "auto" 图片解析精度。常见值：auto / low / high。仅 OpenAI 系列支持此参数，其他厂商忽略 结果说明 成功：返回模型对图片内容的分析结果（文本） 失败：返回 ERROR: 前缀的错误信息 能力不支持：提示需要配置 vision_model 或确认当前模型支持多模态 支持格式 jpg、png、gif、webp、bmp（本地自动转 base64）、远程 http/https URL 支持的服务商 OpenAI 官方 — 原生多模态端点 OpenRouter — 配专用模型即可（如 qwen/qwen2.5-vl 、 xiaomi/mimo-v2.5 ） Anthropic Claude — 原生多模态端点 其他兼容厂商 — 聊天模型名命中多模态关键词（gpt-4o、gemini、vision 等）即自动开启 典型场景 场景 prompt 示例 描述图片 （默认）"描述这些图片的内容" OCR 提取 "提取图片中的所有文字" 图表分析 "分析这个图表的数据趋势" 内容问答 "图片中有几个人？他们在做什么？" 多图对比 images=["before.jpg", "after.jpg"] + "对比这两张图片的差异" 常见规范 本地图片自动转为 base64 编码发送，远程 URL 直接传递 多图分析时一次调用传入多张图片，比逐张调用效率更高 prompt 越具体分析结果越精准 常见处理办法 模型不支持多模态 ：配置 vision_model 指定支持多模态的模型 图片格式不支持 ：转换为常见格式（jpg/png/webp）后重试 远程 URL 超时 ：下载图片到本地后使用本地路径调用 常见教训 detail 参数仅 OpenAI 系列生效，其他厂商会忽略此参数 部分厂商对图片大小有限制，超大图片可能需要压缩后传入 image 和 images 同时传入时，优先使用 images 列表