Agnes 图片识别

解决什么问题

很多 Agent 使用 DeepSeek 等纯文本大语言模型作为推理引擎。这类模型文本能力出色，但不支持多模态输入——当用户发送截图、文档照片或图表时，Agent 只能回复"我看不到图片"。让 Agent 换用视觉模型意味着推翻现有架构，接入成本很高。

工作原理

本技能在 Agent 与纯文本模型之间插入一个视觉预处理层：先调用 Agnes 多模态模型（默认 agnes-2.5-flash，当前限免）把图片解析成结构化 Markdown 文本，再把文本交给主模型继续推理。整个过程无需更换主模型，已有 Agnes API Key 可零成本复用。

核心能力包括：

• 多格式输入：支持 png / jpg / webp / bmp / gif，本地图片转 base64 data URL 发送，公网 URL 直接透传，支持多图对比分析
• 场景覆盖：截图分析、文档识别、图表解读、照片描述、信息提取、表格转结构化 Markdown
• Agent 友好：支持 --stdin 管道输入、--json 结构化输出、--quiet 静默模式，便于程序化集成
• Key 安全：按 命令行 → 环境变量 → 配置文件 三级加载，日志掩码显示（如 sk-12***4567），API 报错自动脱敏

调用流程：传入图片路径或 URL → 脚本读取图片并构造 OpenAI 兼容请求 → Agnes 返回 Markdown 描述 → 主模型基于文字继续推理。默认访问中国站 api.agnes-ai.cn，请求失败时自动回退国际站。

适用边界

• 需要 Agnes 平台 API Key，与 agnes-image / agnes-video 共用同一 Key；中国站与国际站 Key 不通用，脚本会提示实际使用的站点
• 仅支持静态图片，不支持视频；视频需先抽取关键帧再逐帧识别
• 单张图片建议不超过 10MB，超大图片可先压缩
• 复杂图表或高精度需求可切换付费模型 agnes-2.5-pro，默认不选用