vision-subagentlisted

# 视觉子代理（Vision Sub-agent） 当**主模型不支持图像输入**（`read_image` 会拒读，如纯文本模型）时，用 **`workflow` 派生一个指定视觉模型的子代理**来"看"图——它可以用 `read_image` 读取图片，再根据你的要求描述内容或审查质量并返回结论。 本 skill 是**全局可用**的看图方案，任何预设/会话/项目都可加载，不限定业务场景。 ## 触发条件（先判断，再决定用不用本 skill） **先试一下**：直接调 `read_image`，或查 `llm.resolveModelInfo(provider, model)` 的 `inputModalities`。 - ✅ **主模型支持图像**（`inputModalities` 含 `image`）→ **直接 `read_image` 读图即可，不必派子代理**（更快、少一层）。注意能力靠配置声明——若报 `does not declare image input`，先按本文末"图像能力靠配置声明"排查，可能只是配置漏声明。 - ❌ **主模型不支持图像**（`read_image` 拒读）→ 用本 skill 派生视觉子代理来看图。 - 🔀 **仍值得用子代理的两种情形**：① 想要**独立/隔离的看图结论**（不让主模型既产出又自查）；② 想用**更便宜的视觉模型**替代主模型读图。 ## 原理 DeepSeek Harness 的 `workflow` 工具允许在 `agent()` 上独立指定 `provider` 与 `model`。只要选一个**当前部署里真正支持图像输入的模型**（其 `inputModalities` 含 `image`），派生的子代理就能用 `read_image` 读取并处理图片。 不同部署注册的视觉模型名可能不同，**不要硬编码模型名**，应先探测。 ## 如何找可用的视觉模型 用 `llm` 服务遍历各 provider 的模型，过滤出 `inputModalities` 含 `image` 的： ```js // 思路：遍历 provider -> resolveModelInfo -> 过滤 inputModalities 含 'image'，得到 { provider, model } const vision = /* inputModalities 含 'image' 的 {provider, model} */ await agent(prompt, { provider: vision.provider, model: vision.model }) ``` **成本优先（重要）**：识图/看图是高频、轻量任务，**优先选择便宜的经济型视觉模型，不要使用贵的大模型**。具体原则： - **首选**：`deepseek-official/deepseek-flash`（DeepSeek V4.1 Flash，官方"快·高效·经济"定位，text+image）、`kimi-coding/kimi-for-coding`（K2.7 Code）、`kimi-coding/kimi-for-coding-highspeed` 等经济型视觉模型。 - **避免**：`kimi-coding/k3`、`k3-256k` 这类旗舰/大上下文模型——识图不需要它们的强推理与长上下文，成本不划算。除非便宜模型全部不可用且任务确需更强能力，才考虑它们。 - 换部署后先探测：按