Skip to main content
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

智谱和 MiniMax 的文本模型不支持图像理解，因此始终使用对应的视觉专用模型，无需手动指定。
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：
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
超过 1MB 的图片会自动压缩后上传，所有图片（包括远程 URL）会统一转为 base64 传输，确保兼容所有模型后端。