vision-subagent · diff
git:20260822.6d41464 to git:20260822.d100f0f
7 added, 8 removed. Audit A to A.
---
name: vision-subagent
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。
---
# 视觉子代理（Vision Sub-agent）
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 })
```
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>，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
)
```
> 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。
## 输出约定（建议）
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
## 复验闭环（FAIL → 修改 → 重审，强制）
- **图像审核不通过后，必须进入"修改-重审"循环，直到 PASS，才算完成。** 不得"审一次出个 FAIL 就当作已质检"。
+ **图片核验不通过后，必须进入"修改-重审"循环，直到 PASS，才算完成。** 不得"审一次出个 FAIL 就当作已核验"。
规则：
- 1. **FAIL 即回退**：子代理返回 `FAIL` 时，按它给出的缺陷与改进建议回到产出方（画图者/生成者）修改图片。
- 2. **修改后必须重审**：每次修改后，重新派发识图子代理对**同一张图（或新版本图）完整复审一遍**，不能只让产出方自称"改好了"。
- 3. **循环直至 PASS**：复审 `FAIL` 则继续"修改 → 重审"，直到 `PASS` 为止；每次重审都记录结论（哪版图、审了什么、结果）。
- 4. **有界兜底**：允许的最大重审轮次由业务方定（如 ≤3 轮）；超限仍不 PASS 时，如实标记"该图多次修改未通过审检，存在持续缺陷"，不得降级成"视为通过"。
- 5. **记录留痕**：把每次"FAIL 原因 → 修改动作 → 重审结果"写进审查记录（如 `评审记录.md`），供追踪与验收。
+ 1. **FAIL 即回退修改**：子代理返回 `FAIL` 时，按它给出的缺陷与改进建议，把图片退回给制作/修改图片的一方进行修改。
+ 2. **修改后必须重审**：每次修改后，重新派发识图子代理对**修改后的图完整复审一遍**，不能只让修改方自称"改好了"。
+ 3. **循环直至 PASS**：复审 `FAIL` 则继续"修改 → 重审"，直到 `PASS` 为止；每次重审都记录结论（哪一版图、审了什么、结果）。
+ 4. **有界兜底（可选）**：可约定最大重审轮次（如 ≤3 轮）；超限仍不 PASS 时，如实标记"多次修改未通过核验，存在持续缺陷"，不得降级成"视为通过"。
+ 5. **记录留痕**：把每次"FAIL 原因 → 修改动作 → 重审结果"写进审查/核验记录，供追踪与验收。
- > 真实案例（2023 国赛 C 题跑题实录）：图 2（分布拟合）初检 PASS（非空、有坐标），但视觉子代理在视觉-结论一致性核查中发现坐标裁剪造成误导（图上像伽马更贴合，数据却是对数正态更优）→ 判定 FAIL → 重绘为双面板 → 复验 PASS。这个闭环抓住并修复了纯文本主模型发现不了的问题。
+ > 示例：某项目的一张图初检通过（非空、有内容），但在与文字结论的一致性核查中发现坐标/内容被裁剪造成误导（图上表现与结论相反）→ 判定 FAIL → 修改后重审 → PASS。这类问题纯文本主模型发现不了，必须靠复验闭环兜住。
## 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，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。
-