1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | agent-vision-toolkit |
| 作者/维护者 | Anionex（独立开发者） |
| 来源链接 | https://github.com/Anionex/agent-vision-toolkit |
| 许可证 | MIT |
| GitHub Stars | 373（GitHub API） |
| Forks | 17（GitHub API） |
| 最新版本 | v0.1.0（GitHub API，2026-08-06 发布） |
| 安装方式 | npx skills add 一条命令，或让 agent 按仓库说明自动安装 |
2. 功能介绍与亮点
让纯文本模型（如 DeepSeek）驱动的编码 agent 具备处理图像的能力，核心是五个本地 CLI：glance（描述/提问/OCR）、ground（定位坐标）、detect（清点元素）、trace（拟合为 SVG）、crop（裁图），另附长截图分段 OCR 脚本。
亮点：看图时把当前任务真实意图一并传给视觉模型，描述更贴题；提供可选无缝集成层——本地代理（Codex/Claude Code 换 base URL 即用）与单文件插件（Pi/Oh My Pi、OpenCode），粘贴图片即生效；开源可审计，附真实案例，最近提交为 2026-08-09。
3. 适用场景
所属分类：元技能与 Agent 增强
面向用纯文本模型驱动编码 agent 却需处理图像的开发者：读图问答、草图还原界面代码、长截图 OCR、按截图定位操作 GUI、示意图数字化，适合常被“看不懂图片”卡住的文本模型用户。
4. 跨 Agent 兼容性
- Claude Code：原生支持 ✅——README 已验证，换
ANTHROPIC_BASE_URL即可接入。 - Codex：原生支持 ✅——作者主要开发验证环境。
- OpenClaw：未验证——仓库未提及，仅“可执行 shell 的 agent”基础用法理论可用。
- Hermes Agent：未验证——仓库未提及。
5. 推荐理由
许多人为省成本选纯文本模型，却因此失去看图能力。它用五个职责清晰的 CLI 加可选无缝代理把“看图”还给 agent，且传递真实任务意图、结果更贴题。开源可审计、文档齐全、迭代活跃，适合低成本补齐视觉能力的用户。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 6 | GitHub 373 stars，仓库创建于 2026-08-01、增长较快；暂未查到独立第三方讨论 |
| 可用性 | 8 | 一句话唤 agent 安装或一条命令安装；文档与案例齐全，最近提交 2026-08-09；需自备视觉 API Key |
| 安全性 | 8 | 见下方检查清单 |
安全检查清单：
- shell 权限：CLI 仅处理本地图像，不执行外部 shell 命令。
- 联网外发：图像仅转发到用户自配的视觉 API，去向透明。
- 凭据存储：API Key 写入本地文件并设 600 权限，不入库。
- 可疑指令：抽查 SKILL.md 与核心脚本均为常规逻辑，无隐蔽指令。
- 作者信誉：独立开发者，维护记录公开，附安全策略文档。
- License：MIT，清晰。
- 维护时间：最近提交 2026-08-09，已发布 v0.1.0。
综合评分 ≈ 7.33
7. 跟同类 Skills 相比的优势
| 项目 | 定位 | 差异 |
|---|---|---|
| farhanic017/vision-tool | 面向多种 agent 的 MCP 视觉服务器 | 需额外部署常驻 MCP Server；本技能是纯 CLI + Skill，无需独立服务进程 |
| Borda/vision-delivery | “问题到已部署 CV 模型”的工程技能集 | 服务训练/交付 CV 模型；本技能服务日常任务中临时“看懂”一张图 |
| thenamangoyal/codex-vision | 包一层 codex exec -i 转发给 Codex CLI 的 Claude Code 技能 |
强依赖本机 Codex CLI、仅适配 Claude Code；本技能只要求视觉后端“OpenAI 兼容”，验证过 5 种宿主 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
10. 安装使用方式
一句话安装：发给 agent「按仓库 README 说明安装视觉工具包和技能」。
命令行安装：
npx skills add Anionex/agent-vision-toolkit --skill vision-tools -a codex -g --copy -y或手动复制 skills/vision-tools/ 到技能目录。
必需配置：本地 env 文件写入 VISION_API_KEY、VISION_BASE_URL、VISION_MODEL，指向支持 image_url 的多模态 API。
可选集成层：按 AGENT_INSTALL.md 装本地代理或原生插件，装完需重启 agent 生效。
11. 注意事项
- 是“图像转文本”桥接层，效果同时取决于文本模型与所选视觉模型。
- 代理的描述缓存仅存于进程内存，重启即清空。
- 仅发布过一个正式版本，配置方式后续可能调整。
- 需自担所选视觉 API 的调用成本。