本地图片文本桥接

这个技能解决什么问题

把截图、图表或文档扫描件交给纯文本模型时，通常只有两条路：直接发原始图片，或者手动 OCR 后拼一段文字。前者要么模型不支持，要么得走云端 vision API，截图里的数据就离开了本机；后者费时费力，图表结构、坐标轴含义基本丢失，OCR 错字还会让模型越读越偏。image-bridge-local 就是把这整条链路封装成一个本地优先的固定流程。

核心能力与工作流程

技能每次运行产出三个文件：

• vision-context.md：图片关键内容 + OCR 文本 + 图表结构 + 关键信息的不确定性标注
• text-model-input.md：在 --compose 模式下，把 Markdown 文档里的图片转成可直接投喂文本模型的一体化文稿
• manifest.json：本次执行的 provider、模型和环境状态，方便事后回溯

执行分三步：

• 环境检查：先跑 --check-env 确认 ollama_reachable 与 codex_exists，本地链路不通时直接跳过本地识别
• 本地识别：默认走 ollama；连续失败时按 minicpm-v:8b（显存友好）→ llama3.2-vision:11b（语义密度优先）→ --provider codex（云端兜底）的顺序降级
• 结果产出：最终把 vision-context.md 或 text-model-input.md 的内容复制给 DeepSeek、OpenCode 等文本模型继续推理

适用边界与注意点

只做图片到文本，不做 prompt-to-image（那是 codex-image-bridge 的职责），也不做图片编辑、裁剪或拼接。隐私是默认前提：图片不出本机，云端回退只在本地连续 3 次失败后才触发，失败日志不会直接甩给用户，而是给出可重跑建议和下一步动作。

常见问题速查

| 症状 | 处理 |
|------|------|
| ollama_connection_failed | 先 ollama serve 再重试 |
| model_not_found | 先 ollama pull 对应模型再试 |
| ollama_empty_response | 换 minicpm-v:8b，必要时回退 codex |
| codex_timeout | 加大 --timeout-seconds 后重试 |
| 图片缺失 | 修正路径后重跑 |

两个容易踩的坑：不要在单步失败后原样重跑同一组参数；也不要跳过 --check-env 里的关键异常项——很多失败其实是环境没起来，不是模型不行。