vision - 图片理解

使用 Vision API 分析本地图片或图片 URL，支持内容描述、文字提取（OCR）、物体识别等。

模型选择

Vision 工具采用多级自动选择 + 自动兜底策略，无需手动配置即可使用：

1. 主模型 — 优先使用当前配置的主模型进行图像识别（需要是多模态模型）
2. 其他已配置模型 — 自动发现已配置 API Key 的其他多模态模型作为备选

如果当前 provider 调用失败，会自动尝试下一个，直到成功或全部失败。

支持的模型

当 use_linkai=true 时，默认使用 LinkAI 的多模态模型进行

自定义配置

如果希望指定 Vision 使用的模型，可在 config.json 中配置，例如：

{
    "tool": {
        "vision": {
            "model": "gpt-4.1"
        }
    }
}

指定的模型会被优先使用，工具会根据模型名自动路由到对应的 provider；若调用失败，会自动 fallback 到其他已配置的 provider。

大多数情况下无需配置，主模型支持多模态或配置任意一个支持视觉的 API Key 即可自动工作。

参数

支持的图片格式：jpg、jpeg、png、gif、webp

使用场景

• 描述图片中的内容
• 提取图片中的文字（OCR）
• 识别物体、颜色、场景
• 分析截图、文档扫描图片等