一个开源的AI技能框架，让不具备原生视觉能力的语言模型也能高效处理图像、PDF、截图和图表。通过主模型与识图模型的协作架构，实现多轮对话、会话缓存和批量处理能力。

• 原作者/维护者：SlXiaMi
• 来源平台：github
• 原始标题：vision-bridge-skill
• 原始链接：https://github.com/SlXiaMi/vision-bridge-skill
• 来源发布时间/更新时间：2026-06-09T06:40:37Z

Vision Bridge Skill：为非多模态AI模型打造的视觉识别能力扩展方案\n\n## 原作者与来源\n\n- 原作者/维护者：SlXiaMi\n- 来源平台：GitHub\n- 原始标题：vision-bridge-skill\n- 原始链接：https://github.com/SlXiaMi/vision-bridge-skill\n- 发布时间：2026年6月8日\n- 最后更新：2026年6月9日\n\n---\n\n## 背景与问题\n\n当前主流的大语言模型（LLM）分为两类：一类具备原生多模态能力（如GPT-4V、Claude 3），另一类则仅支持文本输入。对于后者，如何让它们也能处理视觉任务是一个现实需求。\n\nVision Bridge Skill 正是为解决这一问题而生。它采用了一种独特的"主模型+识图模型"协作架构：主AI负责分析需求、精准提问，识图AI负责解析图像内容并返回答案。这种设计让纯文本模型也能获得强大的视觉理解能力。\n\n---\n\n## 核心架构设计\n\n### 会话生命周期管理\n\n每次视觉识别任务遵循创建 → 问答 → 清理的三阶段模式：\n\n1. 创建会话：上传图片并发起首次提问，系统自动生成会话ID（如auto-20260609-001-143052），图片被编码缓存\n2. 多轮问答：后续追问无需重新上传图片，直接通过会话ID复用缓存，实现秒级响应\n3. 清理会话：任务完成后执行清理（24小时后也会自动过期）\n\n这种设计特别适合需要逐步深入分析的场景——比如先概览文档结构，再深入特定章节，最后提取关键数据。\n\n### AI-to-AI 通信协议\n\n项目引入了一套精简的协议语法，用于主AI与识图AI之间的高效通信：\n\n\n#q <图片类型> @<查询信息,逗号分隔> ><输出格式>\n\n\n- #q：请求标识\n- <类型>：photo（照片）、screenshot（截图）、diagram（图表）、document（文档）等\n- @：具体查询点，如"文字,元素,代码,错误"\n- >：输出格式，table（表格）、list（列表）、spec（原文）\n\n示例：#q screenshot @文字,元素,代码,错误 >spec\n\n识图AI按查询点作为标题返回结构化结果，避免冗余解释，提升效率。\n\n---\n\n## 功能特性详解\n\n### 多格式支持\n\nVision Bridge Skill 支持处理多种视觉内容：\n\n- 照片分析：场景识别、人物活动、氛围判断\n- 截图识别：报错信息提取、界面文字识别、数据面板解析\n- PDF文档：支持单页指定（--pdf-page N）或连续页面范围（--pdf-range M-N）\n- 图表解读：趋势图、流程图、技术图纸的结构化分析\n\n### 批量与多图处理能力\n\n项目特别强调并行处理效率：\n\n- 通配符批量：vision-bridge.py *.png --ask \"识别文字\"\n- 多文件对比：vision-bridge.py img1.jpg img2.jpg --ask \"对比差异\"\n- 目录处理：vision-bridge.py ./screenshots/ --ask \"识别报错信息\"\n- 多图会话：支持在同一会话中追加新图片进行对比分析\n\n### 配置灵活性\n\n支持多配置Profile切换，可在profiles/目录下放置不同API提供商的配置：\n\n\nprofiles/\n gpt4v.json → GPT-4 Vision\n local.json → 本地部署模型\n\n\n通过--profile <名称>参数快速切换，适应不同任务复杂度需求。\n\n---\n\n## 技术实现细节\n\n### 输出格式选择\n\n支持两种输出模式：\n\n- Text（默认）：人类可读的格式化文本\n- JSON：结构化输出，包含answer、session、model、round等字段，便于主AI直接解析\n\n推荐在自动化场景中使用--output json，确保结果可被程序可靠处理。\n\n### 错误处理与优化\n\n- 自动压缩：大文件超过阈值（默认15MB）自动压缩\n- 异常重试：API调用失败自动重试（默认3次）\n- 配置校验：--check命令验证API密钥和网络连通性\n- 流式输出：--stream参数支持长响应实时打印，减少等待焦虑\n\n---\n\n## 实际应用场景\n\n### 场景一：技术故障排查\n\n开发者遇到报错截图时，可以快速提取错误信息并获取解决方案建议：\n\nbash\nvision-bridge.py error_screenshot.png --ask \"提取错误信息并分析可能原因\" --session auto\n\n\n### 场景二：文档信息提取\n\n从长篇PDF中提取特定页面的关键数据：\n\nbash\nvision-bridge.py report.pdf --pdf-page 20 --ask \"列出核心内容\" --session auto\nvision-bridge.py --ask \"详细解释第三点的数据来源\" --session auto-xxx\n\n\n### 场景三：多图对比分析\n\n对比产品迭代前后的界面变化：\n\nbash\nvision-bridge.py before.jpg --ask \"描述当前状态\" --session auto\nvision-bridge.py --ask \"对比两张图的差异\" --session auto-xxx --add-image after.jpg\n\n\n---\n\n## 项目意义与价值\n\nVision Bridge Skill 的价值不仅在于技术实现，更在于其设计哲学：\n\n1. 解耦设计：将视觉理解能力与语言模型解耦，让不具备多模态能力的模型也能参与视觉任务\n2. 效率优先：通过会话缓存避免重复上传，通过协议语法减少无效通信\n3. 可扩展性：多Profile支持让项目可以适配不同的视觉模型和API提供商\n4. 实用导向：针对实际工作流设计，支持批量处理、多轮追问、流式输出等刚需功能\n\n对于需要处理大量视觉内容但又受限于模型能力的团队，这是一个值得关注的开源方案。\n\n---\n\n## 快速开始\n\n1. 克隆仓库并安装依赖（PyMuPDF、Pillow）\n2. 配置vision-bridge-config.json，设置API端点和密钥\n3. 运行vision-bridge.py --check验证配置\n4. 开始使用：vision-bridge.py <图片路径> --ask \"你的问题\" --session auto\n\n完整文档和示例可参考项目仓库的SKILL.md文件。

原作者与来源

• 原作者/维护者：SlXiaMi
• 来源平台：github
• 原始标题：vision-bridge-skill
• 原始链接：https://github.com/SlXiaMi/vision-bridge-skill
• 来源发布时间/更新时间：2026-06-09T06:40:37Z Vision Bridge Skill：为非多模态AI模型打造的视觉识别能力扩展方案\n\n原作者与来源\n\n- 原作者/维护者：SlXiaMi\n- 来源平台：GitHub\n- 原始标题：vision-bridge-skill\n- 原始链接：https://github.com/SlXiaMi/vision-bridge-skill\n- 发布时间：2026年6月8日\n- 最后更新：2026年6月9日\n\n---\n\n背景与问题\n\n当前主流的大语言模型（LLM）分为两类：一类具备原生多模态能力（如GPT-4V、Claude 3），另一类则仅支持文本输入。对于后者，如何让它们也能处理视觉任务是一个现实需求。\n\nVision Bridge Skill 正是为解决这一问题而生。它采用了一种独特的"主模型+识图模型"协作架构：主AI负责分析需求、精准提问，识图AI负责解析图像内容并返回答案。这种设计让纯文本模型也能获得强大的视觉理解能力。\n\n---\n\n核心架构设计\n\n会话生命周期管理\n\n每次视觉识别任务遵循创建 → 问答 → 清理的三阶段模式：\n\n1. 创建会话：上传图片并发起首次提问，系统自动生成会话ID（如auto-20260609-001-143052），图片被编码缓存\n2. 多轮问答：后续追问无需重新上传图片，直接通过会话ID复用缓存，实现秒级响应\n3. 清理会话：任务完成后执行清理（24小时后也会自动过期）\n\n这种设计特别适合需要逐步深入分析的场景——比如先概览文档结构，再深入特定章节，最后提取关键数据。\n\nAI-to-AI 通信协议\n\n项目引入了一套精简的协议语法，用于主AI与识图AI之间的高效通信：\n\n\n#q <图片类型> @<查询信息,逗号分隔> ><输出格式>\n\n\n- #q：请求标识\n- <类型>：photo（照片）、screenshot（截图）、diagram（图表）、document（文档）等\n- @：具体查询点，如"文字,元素,代码,错误"\n- >：输出格式，table（表格）、list（列表）、spec（原文）\n\n示例：#q screenshot @文字,元素,代码,错误 >spec\n\n识图AI按查询点作为标题返回结构化结果，避免冗余解释，提升效率。\n\n---\n\n功能特性详解\n\n多格式支持\n\nVision Bridge Skill 支持处理多种视觉内容：\n\n- 照片分析：场景识别、人物活动、氛围判断\n- 截图识别：报错信息提取、界面文字识别、数据面板解析\n- PDF文档：支持单页指定（--pdf-page N）或连续页面范围（--pdf-range M-N）\n- 图表解读：趋势图、流程图、技术图纸的结构化分析\n\n批量与多图处理能力\n\n项目特别强调并行处理效率：\n\n- 通配符批量：vision-bridge.py *.png --ask \"识别文字\"\n- 多文件对比：vision-bridge.py img1.jpg img2.jpg --ask \"对比差异\"\n- 目录处理：vision-bridge.py ./screenshots/ --ask \"识别报错信息\"\n- 多图会话：支持在同一会话中追加新图片进行对比分析\n\n配置灵活性\n\n支持多配置Profile切换，可在profiles/目录下放置不同API提供商的配置：\n\n\nprofiles/\n gpt4v.json → GPT-4 Vision\n local.json → 本地部署模型\n\n\n通过--profile <名称>参数快速切换，适应不同任务复杂度需求。\n\n---\n\n技术实现细节\n\n输出格式选择\n\n支持两种输出模式：\n\n- Text（默认）：人类可读的格式化文本\n- JSON：结构化输出，包含answer、session、model、round等字段，便于主AI直接解析\n\n推荐在自动化场景中使用--output json，确保结果可被程序可靠处理。\n\n错误处理与优化\n\n- 自动压缩：大文件超过阈值（默认15MB）自动压缩\n- 异常重试：API调用失败自动重试（默认3次）\n- 配置校验：--check命令验证API密钥和网络连通性\n- 流式输出：--stream参数支持长响应实时打印，减少等待焦虑\n\n---\n\n实际应用场景\n\n场景一：技术故障排查\n\n开发者遇到报错截图时，可以快速提取错误信息并获取解决方案建议：\n\nbash\nvision-bridge.py error_screenshot.png --ask \"提取错误信息并分析可能原因\" --session auto\n\n\n场景二：文档信息提取\n\n从长篇PDF中提取特定页面的关键数据：\n\nbash\nvision-bridge.py report.pdf --pdf-page 20 --ask \"列出核心内容\" --session auto\nvision-bridge.py --ask \"详细解释第三点的数据来源\" --session auto-xxx\n\n\n场景三：多图对比分析\n\n对比产品迭代前后的界面变化：\n\nbash\nvision-bridge.py before.jpg --ask \"描述当前状态\" --session auto\nvision-bridge.py --ask \"对比两张图的差异\" --session auto-xxx --add-image after.jpg\n\n\n---\n\n项目意义与价值\n\nVision Bridge Skill 的价值不仅在于技术实现，更在于其设计哲学：\n\n1. 解耦设计：将视觉理解能力与语言模型解耦，让不具备多模态能力的模型也能参与视觉任务\n2. 效率优先：通过会话缓存避免重复上传，通过协议语法减少无效通信\n3. 可扩展性：多Profile支持让项目可以适配不同的视觉模型和API提供商\n4. 实用导向：针对实际工作流设计，支持批量处理、多轮追问、流式输出等刚需功能\n\n对于需要处理大量视觉内容但又受限于模型能力的团队，这是一个值得关注的开源方案。\n\n---\n\n快速开始\n\n1. 克隆仓库并安装依赖（PyMuPDF、Pillow）\n2. 配置vision-bridge-config.json，设置API端点和密钥\n3. 运行vision-bridge.py --check验证配置\n4. 开始使用：vision-bridge.py <图片路径> --ask \"你的问题\" --session auto\n\n完整文档和示例可参考项目仓库的SKILL.md文件。