DS Vision 视觉路由

要解决什么问题

主模型擅长推理，但不适合独自承担「看图、扫 PDF、纯 OCR」这类工具型工作。Agent 若把视觉任务混进对话上下文，容易选错通道、重复重试 401/429，或在票据、论文、UI 截图之间用同一套策略。

DS Vision 的定位是视觉侧专用 skill：识别任务类型、选脚本、跑视觉/OCR/文档解析，把 结构化 JSON（优先 result 字段）交回主模型继续推理。

如何工作

统一入口优先走路由脚本，而不是直接调底层通道（除非调试）：

• -Intent：auto（默认，图片走视觉理解竞速池）、reason、ocr（纯文字请显式指定）、document
• -Complex：图表、数学、复杂 UI、代码截图、多步视觉推理
• -AccurateOcr：票据、扫描件、低清文字 → 百度高精度 OCR
• -NoCache：强制重新调用视觉模型

路由规则（摘要）：

1. PDF、论文、报告、多页扫描 → scripts/mineru-extract.ps1，-Mode flash -Json；配置了 MINERU_TOKEN 且 flash 失败时再试 -Mode extract
2. 需理解/推理的图片 → scripts/vision-router.ps1 并发 agnes-2.5-flash、agnes-2.0-flash、glm、glm-thinking，谁先成功用谁；全失败再降级 custom-1/2/3 与 local
3. 纯 OCR → 优先 scripts/baidu-ocr.ps1 -Json，未配置或失败时用 scripts/windows-ocr.ps1 -Json
4. 类型不确定 → vision-router.ps1 -Intent auto -Complex -Json

降级链：同一通道遇 401、403、429、网络错误或空结果时不反复重试，直接切下一通道。文档侧为 mineru flash → mineru extract；OCR 为 baidu-ocr → windows-ocr → vision reasoning。

执行前可用 scripts/preflight.ps1 -Json 读通道、工具与本地运行时状态。

边界与注意

• 云端通道会把文件内容发给对应服务商；涉及隐私、合同、证件、医疗、财务等敏感内容时，优先 Windows OCR、本地模型，或先征求用户确认。
• PowerShell 脚本源码保持 ASCII-only；面向用户的 Markdown 为 UTF-8。新增通道应先接入 vision-router.ps1，再补 README 与 references/channels.md。