agent-vision-toolkit

收录理由

许多团队在用 DeepSeek 这类纯文本模型跑编码代理时，一旦对话里出现图片就会卡住，因为模型本身没有视觉能力。这个项目把视觉能力从模型里挪到工具层，提供命令行工具和配套技能，让代理知道该调用哪个命令来处理图片问答、长截图 OCR、前端 UI 还原以及 GUI 自动化。它还附带一个小型本地代理和单文件原生插件，粘贴图片或使用内置图像工具时，能直接适配 Codex、Claude Code、Pi、Oh My Pi 和 OpenCode，无需额外提示。这样既能保留纯文本模型的低成本优势，代理依然能读取整页截图、把设计稿重建成可用的 HTML，或者一步步操作桌面界面。项目自带的 playbook 记录了真实的验证流程，代理会按照经过验证的操作顺序执行，而不是凭模糊描述临场发挥。