用于视觉与 OCR的 DSH 插件

视觉插件给纯文本模型一双眼睛。最强的实现不只是描述图像，而是返回模型能继续推理的结构化证据：带坐标的提取文本、布局区域、颜色值，以及它下一步可以再请求的裁剪坐标。

优先选择把图像当普通工具调用、而不是特殊回合类型的插件，并确认视觉后端是本地、免费，还是需要你自己的 key。截图密集的工作要确认长图是分块而不是缩到不可读。

怎么评估

三条轴很重要。后端：本地模型、托管供应商，还是匿名免 key 回退——隐私与可靠性故事各不相同。输出形态：自由文本描述 vs 智型体可串联的结构化 JSON。成本与限制：按图计费、分辨率上限，以及长截图是否分段。

还要看集成方式。把图像送出去、把文本带回来的桥接，能保持 harness 仍是文本原生。整回合换成视觉模型的插件会改变路由，并可能绕过你依赖的工具。

什么样算好

强的视觉插件把证据说清楚。OCR 带坐标返回文本。UI 检视能点名区域并请求裁剪。像素对比写明容差。密钥留在配置；匿名端点在确实不私密时明确标注。长文档分块，让模型仍能看到页面底部。

本目录的精修视觉条目已示范质量线：结构化返回、写明后端，并在路径不私密时给出清楚警告。

常见失败

常见失败是没有坐标的漂亮描述，于是模型只能「按钮大概在这儿」。第二种是对敏感截图也把匿名视觉回退当安全。第三种是把高 UI 截图缩成糊，再信任对它「说了什么」的幻觉摘要。

视觉插件之间怎么选

不要装三个都声称「看懂图像」的桥。每条工作流只选一条证据契约——UI 用坐标、文档用长页 OCR、回归用像素 diff——只有第一条在你在意的具体任务上失败时再加第二条。叠供应商之前先看对比页。

若模型本来就能收图，缺口通常是引用与审查工具，而不是又一个视觉适配器。此时优先把截图变成可审查产物的插件。