视觉与 OCR

视觉插件给纯文本模型提供了一种”看”的方式。最强的实现不只是描述一张图片，而是返回模型可以据此推理的结构化证据：带位置的抽取文本、版面区域、颜色值，以及它接下来可以请求的裁剪坐标。

优先选择把图片当作普通工具调用而不是特殊回合类型的插件，并检查视觉后端是本地、免费，还是需要你自己的 key。对于截图很多的工作，要确认长图是被分块处理，而不是被缩小到无法辨认。