vision-subagent · diff
git:20260814.9d677ae to git:20260814.c898c14
19 added, 29 removed. Audit A to A.
---
name: vision-subagent
- description: 视觉审查子代理。当主模型不支持图像输入、需要审查图表/论文配图的视觉质量时使用——用 workflow 派生一个指定当前环境可用视觉模型的子代理，通过 read_image 看图并输出结构化视觉质检结论（空白、遮挡、坐标轴/图例缺失、是否支撑结论）。适用于任何需要"看图质检"的会话。
+ description: 视觉子代理。当主模型不支持图像输入时，用 workflow 派生一个指定当前环境可用视觉模型的子代理，通过 read_image 查看或核验图片内容并结构化返回结论。适用于"需要看图、但主模型读不了图"的任何会话。
---
- # 识图子代理（Vision Sub-agent）
+ # 视觉子代理（Vision Sub-agent）
- 当主模型**不支持图像输入**（`read_image` 会拒读）时，需要审查图表视觉效果（是否空白、遮挡、坐标轴缺标签、是否支撑结论）的环节，用 **`workflow` 派生一个指定视觉模型的子代理**来"看图"。
+ 当**主模型不支持图像输入**（`read_image` 会拒读，如纯文本模型）时，用 **`workflow` 派生一个指定视觉模型的子代理**来"看"图——它可以用 `read_image` 读取图片，再根据你的要求描述内容或审查质量并返回结论。
- 本 skill 是全局可用的视觉质检方案，任何预设/会话都可加载。
+ 本 skill 是**全局可用**的看图方案，任何预设/会话/项目都可加载，不限定业务场景。
## 触发条件
- 主模型 `read_image` 报错拒读（如 `deepseek-v4-flash` 不声明图像输入）
- - 需要核对图表/配图的视觉质量（空白、遮挡、缺标签、支撑关系）
+ - 需要查看某张图片的实际内容、核对图片质量、或基于图片内容做判断，但主模型看不了
## 原理
- DeepSeek Harness 的 `workflow` 工具允许在 `agent()` 上独立指定 `provider` 与 `model`。只要选一个**当前部署里真正支持图像输入的模型**（其 `inputModalities` 含 `image`），派生的子代理就能用 `read_image` 读取并审查图片。
+ DeepSeek Harness 的 `workflow` 工具允许在 `agent()` 上独立指定 `provider` 与 `model`。只要选一个**当前部署里真正支持图像输入的模型**（其 `inputModalities` 含 `image`），派生的子代理就能用 `read_image` 读取并处理图片。
不同部署注册的视觉模型名可能不同，**不要硬编码模型名**，应先探测。
## 如何找可用的视觉模型
用 `llm` 服务遍历各 provider 的模型，过滤出 `inputModalities` 含 `image` 的：
```js
// 思路：遍历 provider -> resolveModelInfo -> 过滤 inputModalities 含 'image'，得到 { provider, model }
const vision = /* inputModalities 含 'image' 的 {provider, model} */
await agent(prompt, { provider: vision.provider, model: vision.model })
```
- 本套部署已验证的候选：`opencode-go/mimo-v2.5`（MiMo V2.5，text+image，100 万上下文）、`kimi-coding/k3/k3-256k`（text+image）。
+ 已验证候选（示例）：`opencode-go/mimo-v2.5`、`kimi-coding/k3`、`kimi-coding/k3-256k`（均 text+image）。
## 用法模板
- 用 workflow 派发识图子代理（`provider`/`model` 替换为探测到的可用视觉模型）：
+ 用 workflow 派发看图子代理（`provider`/`model` 替换为探测到的可用视觉模型）：
```js
await agent(
- '用 read_image 工具读取 <图片绝对路径>，审查图表并输出结构化结论：' +
- '标题、坐标轴刻度/标签、图例、数据线条、是否有空白或遮挡、是否达标。',
+ '用 read_image 工具读取 <图片绝对路径>，然后完成任务：<你的具体诉求，如描述内容 / 审查质量 / 判断是否达标>，并结构化返回结论。',
{ provider: '<探测到的provider>', model: '<探测到的视觉 model>' } // 指定视觉模型
)
```
- ## 结构化审查输出（要求子代理按此格式返回）
-
- 审查子代理的输出应包含以下维度：
-
- | 维度 | 审查点 |
- |---|---|
- | 标题 | 是否有清晰标题，与正文/主张一致 |
- | 坐标轴 | 刻度、标签、单位是否缺失或错误 |
- | 图例 | 是否缺失、是否足够区分数据系列 |
- | 数据内容 | 线条/柱/点是否清晰、有无空白区域、有无遮挡/重叠 |
- | 结论支撑 | 图是否客观支撑了它被用于支撑的结论（如 AIC 最优、回测改进） |
- | 达标判定 | `PASS` / `FAIL`，FAIL 时给缺陷与改进建议 |
-
- ## 与"独立模型审查"的区别
+ > 把"任务诉求"填进 prompt，子代理会先看图，再按你的要求输出。例如：描述图里有什么、检查是否有空白/遮挡/文字重叠、核验图与某条结论是否一致等。
- - **识图子代理**（本 skill）：解决"主模型看不了图"，专注**视觉质检**（看图）。
- - **独立模型审查**：用与主模型**不同厂商**的模型做内容/事实/一致性的对抗式挑错（不带图）。
+ ## 输出约定（建议）
- 两者可组合：先识图看视觉，再用独立模型审内容。
+ 按需要求子代理给出结构化结果，例如：
+ - **内容描述**：图中关键元素、布局、文字/标题等
+ - **质量核验**：是否空白、模糊、遮挡/重叠、要素缺失
+ - **目标核对**：图是否支撑它要支撑的结论或任务
+ - **判定**：`PASS` / `FAIL`，FAIL 时给原因与改进建议
## 兜底
- - 若探测不到任何 `inputModalities` 含 `image` 的模型，如实标记"此环境无视觉模型，视觉质检受限"，不要假装通过。
- - 主模型若是纯文本模型，直接 `read_image` 报错属预期行为，应走本方案。
+ - 若探测不到任何 `inputModalities` 含 `image` 的模型，如实标记"此环境无视觉模型，看图受限"，不要假装通过。
+ - 主模型若是纯文本模型，直接 `read_image` 报错属预期行为；此时用本方案派生视觉子代理即可。
+ - 本 skill 只负责"让图能被看/被审"。若还需要**用与主模型不同厂商的模型做内容/推理审查**，那是另一个维度（独立模型审查），可与本方案组合使用。