给 Agent 补上视觉输入：vision-bridge 的路由与调用

图片路径不等于视觉输入

在 Agent 工作流里，把一张图片的路径发给模型，并不代表模型已经看到了图片。能否理解画面，取决于具体模型、客户端和接入通道：有的支持原生视觉，有的只传递文本，有的还需要工具去读取文件。

vision-bridge 面向的是缺少视觉输入的那一段链路。它读取图片或视频，调用已配置的视觉服务，再把分析结果返回给宿主 Agent，继续后续任务。

用 Skill 与脚本连接能力

项目由 Skill 指令和 Python 脚本组成。look.py 提供便捷入口，vision.py 处理视觉请求，图像处理工具负责可选的缩放、裁剪与压缩。

这种方式适合已经能执行 Python 命令、但没有接通图像输入的 Agent 环境。调用参数和输出可以直接检查，接入时不需要额外常驻一个服务。

MCP 则适合由兼容客户端发现和调用标准化工具。它是否可用，主要取决于宿主客户端及其工具集成，而不能只按模型名称判断。两种方式各有接入条件。

路由依据是当前环境

如果宿主已经能读取图像，就可以优先使用现有能力；如果没有视觉输入，再调用桥接脚本。用户显式请求 /look 时，则按指定方式执行。

配置字段 host_vision_capable 支持三种状态：true 表示宿主具备视觉能力，false 直接使用桥接，auto 按 Skill 指令判断。

模型自检是一种路由提示，不能视作经过测量的准确率保证。固定环境适合明确配置；更换模型或客户端后，需要重新确认。外部视觉调用也应考虑图片内容、服务可用性与实际费用。

图片、OCR 与视频入口

按 项目 README 完成环境与模型配置后，可以在仓库目录使用这些入口：

python scripts/vision.py health
python scripts/look.py sample.png --dry-run
python scripts/look.py invoice.jpg --ocr
python scripts/look.py chart.png -p "这张图表达了什么？"
python scripts/look.py demo.mp4 --video -p "概括视频内容"

health 检查环境，--dry-run 查看请求而不发送。实际图像或视频分析需要配置可用服务；视频请求还取决于上游模型是否支持对应输入。

目标检测会返回模型推断的位置，OCR 与视频概括也可能出错。涉及关键信息时，应回看原始素材。图片转搜索功能生成查询信息，后续检索仍需要宿主的搜索工具完成。

配置与处理边界

项目通过模型名、接口地址和密钥环境变量名称配置服务。仓库默认配置使用 GLM-4.6V-Flash，但价格、额度与接口能力会变化，应以当前服务说明为准。

核心网络调用使用 Python 标准库，可选图像处理依赖 Pillow。仓库还包含图片预处理、限流重试和请求预览等能力，用于处理接入过程中的常见问题。

配置自检通过，只能说明本地设置符合预期，不代表所有模型、所有文件和所有通道均已验证。使用时应选取自己的实际素材检查结果，并妥善保管服务凭据。

项目入口

vision-bridge 的作用是把视觉服务接入现有工作流：让宿主在需要时获得图像信息，同时保留是否调用、使用哪个模型、如何处理结果的选择。

完整代码、集成说明与参数见 vision-bridge 仓库。