按需视觉桥接

它解决什么问题

纯文本主模型无法接收或理解图片时，常见的做法是先把图片转成文字再喂回模型。问题在于：转写容易遗漏关键细节，或者把整张图的场景描述全部塞进上下文，既浪费 token，又稀释了模型对真正问题的注意力。vision-bridge 不是给所有模型统一加视觉增强层，而是按需桥接——只在主模型确实无法访问图片时介入，并且只提取回答当前问题所需的最小结构化结果。

如何工作

判断不依赖 DeepSeek、GPT、Qwen 这类模型名称，而是依据运行时可见输入能力和对话上下文决策：

• 主模型已能直接读取图片：不调用本技能，让模型直接理解原图。
• 明确不支持视觉，或系统提示无法读取图片：自动调用，用户无需手动指定。
• 能力未知：优先让主模型处理；仅在模型明确表示无法查看，或输出明显不能基于图片作答时才桥接。
• 用户指定外部视觉 API 或高精度 OCR：视为专项复核，而非默认流程。
• 主模型切换后重新判断，不沿用上一模型的能力结论。

任务分流分三类：

• 纯文字提取：本地 OCR 可用时优先本地 OCR；输出为空、明显残缺、顺序混乱或关键数字不确定时，必须用视觉 API 复核。
• 视觉语义：图表趋势、页面布局、物体关系、颜色、按钮位置等，直接调用视觉 API，本地 OCR 只作辅助。
• 关键数据：课表、成绩、费用、证件、合同等，结果必须区分「已确认」与「无法确认」，不得补猜；后续求和、筛选、匹配交给代码执行。

输出遵循最小原则，围绕用户问题提取：读取文字只返回原文与表格结构，查找数字只返回目标值及其上下文，截图排错只返回错误信息、页面状态和相关线索。用户没有提出具体问题时，才做简短通用识别。

同一张图片在后续追问中优先复用已有结果；仅当图片变化、需要新视觉证据或上次结果不完整时才重新识别。

适用边界与注意点

• 配置从 /config.json 读取，环境变量可覆盖：VISION_BASE_URL、VISION_API_KEY、VISION_MODEL、VISION_TIMEOUT、VISION_RETRIES。API Key 优先放在环境变量中，不要写入技能包、日志或对话，分发技能时必须清空。
• 网络超时、429、5xx 最多自动重试 1 次；401、403、404、图片不存在或格式不支持不重试，直接给出明确排查信息。
• OCR 未安装或不可用时降级到视觉 API，不要报成系统故障。
• local-whisper 是语音转文字技能，不是图片 OCR；现有 WPS 发票 OCR 基于 pytesseract，面向发票入账，不是通用 OCR。
• 与 token 优化策略协作时，只回传检索、OCR、计算或复核后的必要结果，不传无关的整图描述。
• 任何识别失败都不得猜测图片内容。