vision - 画像分析

Vision API を使用してローカル画像や画像 URL を分析します。コンテンツの説明、テキスト抽出（OCR）、オブジェクト認識などに対応しています。

モデル選択

Vision ツールは多段階の自動選択＋自動フォールバック戦略を採用しており、手動設定なしで利用可能です：

use_linkai=true の場合、LinkAI が最優先になります。現在のプロバイダーが失敗した場合、成功するかすべて失敗するまで自動的に次のプロバイダーを試行します。

ベンダー	ビジョンモデル	説明
OpenAI / 互換プロトコル	メインモデル	すべての OpenAI 互換マルチモーダルモデルに対応
通義千問 (DashScope)	メインモデル	MultiModalConversation API 経由
Claude	メインモデル	Anthropic ネイティブ画像形式
Gemini	メインモデル	inlineData 形式
豆包 (Doubao)	メインモデル	doubao-seed-2-0 シリーズがネイティブ対応
Kimi (Moonshot)	メインモデル	kimi-k2.5 がネイティブ対応
智谱 AI	glm-5v-turbo	常にビジョン専用モデルを使用
MiniMax	MiniMax-Text-01	常にビジョン専用モデルを使用

智谱 AI と MiniMax のテキストモデルは画像理解に対応していないため、対応するビジョン専用モデルが自動的に使用されます。

パラメータ	型	必須	説明
`image`	string	はい	ローカルファイルパスまたは HTTP(S) 画像 URL
`question`	string	はい	画像に対する質問

対応画像形式：jpg、jpeg、png、gif、webp

Vision ツールで使用するモデルを指定するには、config.json に以下を追加します：

{
    "tool": {
        "vision": {
            "model": "gpt-4o"
        }
    }
}

ほとんどの場合、設定は不要です。メインモデルがマルチモーダルに対応しているか、ビジョン対応の API キーが設定されていれば自動的に動作します。

1MB を超える画像は自動的に圧縮されます（最大辺 1536px）。すべての画像（リモート URL を含む）は base64 に変換して送信され、すべてのモデルバックエンドとの互換性を確保します。