vision-support

name vision-support description 为非多模态模型（如 deepseek-v4-pro、GLM-5.1、mimo-v2.5-pro 等纯文本模型）提供图片识别能力。当主模型无法识别图片、用户发送了截图/设计稿/UI 截图需要分析、或者用户说'看看这张图'、'分析这个截图'、'这张图片有什么问题'时，自动触发此技能。也适用于用户粘贴了图片但当前模型不支持图片输入的任何场景。支持同时识别多张图片，通过配置多个识图模型实现主备回退。使用指令 /skill:vision-support 或 /vision 也可手动触发。铁律：本技能配置的模型仅用于图片内容识别，绝不参与主逻辑推理。注意：如果当前模型本身是多模态模型（如 Claude Sonnet 4、GPT-4o、Gemini 等可以直接识图的模型），不要使用此技能，直接让主模型识别即可。 Vision Support — 非多模态模型的图片识别桥接 铁律：本技能配置的所有模型仅用于图片内容识别，绝不参与主逻辑推理。 这些模型不会代替主模型做任何决策、分析或编码，它们只负责"看"图片然后把看到的内容用文字描述出来。 什么时候使用此技能 用户在对话中附带了图片 ，但当前模型不支持图片理解 用户提到截图/图片/界面/设计 ："看看这个截图"、"界面有问题"、"这个设计稿" 用户描述了一个视觉问题但说不清楚 ："网页显示不对"、"布局乱了" agent 在工作中遇到图片文件 （PNG/JPG/WebP 等） 通过指令 /vision 或 /skill:vision-support 手动触发 首次使用 — 一键初始化 node SKILL_DIR/scripts/vision.mjs init 交互式引导，只需三步： 选 Provider — 从预置的主流平台列表中选择 填密钥 — 输入 API Key（或环境变量名） 选模型 — 自动从 API 拉取可用模型列表供选择（如拉取失败则显示推荐列表） 支持的平台覆盖国内外主流： 分类 平台 国际 OpenAI、Google Gemini、Anthropic Claude、DeepSeek、Groq、Mistral、xAI (Grok)、OpenRouter、Fireworks AI 国内 通义千问 (Qwen VL)、智谱 GLM (GLM-4V)、Moonshot (Kimi)、阶跃星辰 (Step)、MiniMax、SiliconFlow (硅基流动)、小米 MiMo 本地 Ollama、LM Studio 自定义 任何 OpenAI 兼容的第三方平台（自填 baseUrl） 添加备用模型 node SKILL_DIR/scripts/vision.mjs config add 同样的交互式引导，添加的模型作为 fallback 回退。主模型失败后自动尝试。 所有配置命令 # 交互式 node SKILL_DIR/scripts/vision.mjs init # 初始化主模型 node SKILL_DIR/scripts/vision.mjs config add # 添加 fallback node SKILL_DIR/scripts/vision.mjs config edit [name] # 编辑模型 # 快捷命令 node SKILL_DIR/scripts/vision.mjs config list # 列出所有模型 node SKILL_DIR/scripts/vision.mjs config primary [name] # 设置主模型 node SKILL_DIR/scripts/vision.mjs config remove <name> # 删除模型 node SKILL_DIR/scripts/vision.mjs config set-key <name> <key> # 设置密钥 node SKILL_DIR/scripts/vision.mjs config set-url <name> <url> # 设置 API 地址 node SKILL_DIR/scripts/vision.mjs config test [name] # 测试连通性 使用方法 — 识别图片 单张 node SKILL_DIR/scripts/vision.mjs ./screenshot.png node SKILL_DIR/scripts/vision.mjs ./ui.png "这个界面的布局有什么问题？" node SKILL_DIR/scripts/vision.mjs "https://example.com/img.png" "描述这张图片" 多张 node SKILL_DIR/scripts/vision.mjs img1.png img2.png "对比这两张图的差异" node SKILL_DIR/scripts/vision.mjs ./screenshots/*.png "分析这些界面截图" node SKILL_DIR/scripts/vision.mjs ./local.png https://example.com/remote.jpg "描述这两张" 查找图片 如果用户提到图片但没给路径，先搜索： find . -name "*.png" -o -name "*.jpg" -o -name "*.webp" | head -20 ls -lt *.png *.jpg *.webp 2>/dev/null 获取结果后的工作流 脚本成功后 stdout 输出的纯文本就是识别结果（stderr 是日志不影响）。 读取识别结果 ：stdout 内容即为图片描述 结合用户问题 ：把描述和用户需求结合 主模型继续工作 ：用识别结果作为上下文，主模型完成后续任务 回退机制 config list 中排第一位的 ★ 主模型优先调用。失败后自动依次尝试后续模型。所有模型都失败则非零退出码退出。 环境变量 变量 说明 VISION_CONFIG_PATH 自定义配置文件路径 VISION_DEFAULT_MODEL 临时覆盖主模型（按 name 匹配） VISION_API_KEY 全局密钥回退