你用的那个只会看字的AI，是不是一遇到截图就傻眼？agent-vision-toolkit 就是给这类纯文本AI装上眼睛的工具箱。它能让你的AI助手看懂图片里的内容，不管是分析界面截图，还是帮你找屏幕上的按钮，都行。
这个项目在 GitHub 上刚发布不久，已经有 310 个 star 了。它不是个复杂的平台，就是一套命令行工具和一个“技能”包，让你手头的AI瞬间获得视觉能力。
适合谁
第一类，是那些在用 Codex、Claude Code、Pi、OpenCode 这类AI编程助手的玩家。如果你的AI经常因为看不懂报错截图或设计稿而卡壳，这个工具就是为你准备的。
第二类，是喜欢自己动手折腾工作流的效率爱好者。你不需要多深的代码功底，但得愿意在命令行里敲几下，配置个环境变量。工具本身不复杂，核心是把调用视觉模型（比如 Gemini）的活儿给封装好了。
能解决什么问题
最直接的，就是截图问答。比如你截了个软件界面丢给AI，问它“这个按钮是什么颜色？”或者“这两个输入框的标签对得上吗？”。以前AI只能猜，现在它能“看到”并准确描述出来。
更实用的场景是屏幕元素定位。README里那个例子特别有意思：让DeepSeek-V4通过这个工具“看到”棋盘，然后自动操作下象棋。这思路可以延伸到很多自动化场景，比如让AI帮你点按屏幕上某个特定位置的按钮。
还有一个高频需求：从图片里提取文字（OCR）。无论是截图里的错误代码，还是手机拍的文件照片，都能一键转成文本，直接交给AI去处理或分析，省去了你手动打字的麻烦。
怎么开始用
最简单的办法，就是把下面这段话直接复制粘贴给你的AI助手（比如Codex），让它自己去搞定：
Read https://github.com/Anionex/agent-vision-toolkit and set it up on this machine: the vision toolkit and skill, plus the seamless integration per AGENT_INSTALL.md if my host supports it.
如果你习惯自己动手，三步就能装好：
- 准备一个视觉API。在
~/.config/agent-vision-toolkit/env文件里配置三个环境变量（记得chmod 600保护一下）：
```bash
VISION_API_KEY=sk-你的密钥
VISION_BASE_URL=https://你的API服务地址
VISION_MODEL=google/gemini-3.6-flash # 或其他支持的模型
```
支持任何兼容OpenAI格式的视觉API，比如阿里云的灵积。
- 下载工具到本地：
```bash
git clone https://github.com/Anionex/agent-vision-toolkit.git
export PATH="$PWD/agent-vision-toolkit/bin:$PATH"
```
- 给你的AI安装“视觉技能”：
```bash
npx skills add Anionex/agent-vision-toolkit --skill vision-tools -a codex -g --copy -y
```
或者手动把 skills/vision-tools/ 文件夹复制到AI的技能目录里。
优点和坑
优点很明显：
一是无缝集成。装好之后，你直接在聊天窗口粘贴图片，或者AI自己调用view_image函数，都能自动触发视觉分析，不用你额外提醒。
二是描述有重点。它不会给你生成一段笼统的图片说明，而是结合你当前的问题，给出有针对性的描述。比如你问按钮颜色，它就重点描述颜色。
三是处理多张图很快。一次性丢给它多张图片，它会并行处理，速度比一张张等快很多。
坑也需要留意：
第一个坑是要自备视觉API。工具本身免费，但调用Google Gemini、Qwen-VL这些模型需要你自己有账号和额度，会产生费用。这是最大的使用成本。
第二个坑是部分工具有依赖。基础的glance命令只需Python，但像ground、trace（图片转SVG）这些高级工具，需要额外安装pillow、vtracer等库，得自己弄一下环境。
第三个坑，作者也明说了：视觉模型只负责“看”和“描述”，不负责“推理”。得出结论、分析对错，依然得靠你原来的文本AI（比如DeepSeek）。它只是提供了更准确的“视觉情报”。
第四个是新项目的通病。项目创建于2026年8月初，虽然最近有更新，但毕竟刚起步。后续功能会不会增、文档会不会更完善，得看作者维护情况。
适合你吗
如果你已经在用Codex、Claude Code这类AI编程助手，又总被截图卡住，这个工具箱能直接解决问题。集成起来不麻烦，成本就是自己配个视觉API的密钥。
要是完全不想碰命令行和配置，那它确实不适合你。这不是个独立软件，它只负责给你手里的AI加上“眼睛”。
项目8月初刚发布，已经有310个star，README写得很清楚。我试下来觉得，花点时间配置好，最实用的就是能让AI准确描述截图里的按钮、文字或者报错信息，不用再靠猜。视觉模型偶尔会漏看些细节，但比你手动打字强多了。
