多模态 / 项目
Anionex/agent-vision-toolkit
- 运行环境
- glance 需 Python 3.11+
- 可选依赖
- pillow、numpy、vtracer
- 视觉 API
- OpenAI 兼容或 Anthropic Messages
- 集成对象
- Codex、Claude Code、Pi、Oh My Pi、OpenCode
- 1写入视觉 API 配置$ VISION_API_KEY=sk-...VISION_BASE_URL=https://openrouter.ai/api/v1VISION_MODEL=google/gemini-3.6-flash
- 2克隆并把 CLI 加入 PATH$ git clone https://github.com/Anionex/agent-vision-toolkit.gitexport PATH="$PWD/agent-vision-toolkit/bin:$PATH"
- 3安装技能，让 agent 知道何时用哪个工具$ npx skills add Anionex/agent-vision-toolkit --skill vision-skills -a codex -g --copy -y
- 4长截图/聊天记录分段 OCR$ python3 skills/vision-skills/scripts/long_screenshot_ocr.py long-chat.png --mode chat -o long-chat.ocr.md
中文（AI 翻译）
原文
方法、结果与局限
1 / 5
要点
它解决什么问题
跑在 DeepSeek 等纯文本模型上的 agent 看不到图，连调用图片工具都会被系统拦截。
- 跑在 DeepSeek 等纯文本模型上的 agent 看不到图，连调用图片工具都会被系统拦截。
- 仓库用视觉工具 CLI 加技能，再加可选代理/插件，让文本模型处理视觉任务。
- 作者目标：配好工具后，文本模型 agent 的视觉表现超过不用这套方法的原生多模态 agent。