【开源自荐】在Pi Agent中使用纯文本模型也能看图！内置Harness与read工具拦截

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

- 我的帖子已经打上 开源推广 标签： 是

- 我的开源项目完整开源，无未开源部分： 是

- 我的开源项目已链接认可 LINUX DO 社区： 是

- 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是

- 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

项目地址

github.com

GitHub - bestxiangest/pi-vision-bridge: Pi Vision Bridge 是一个面向 Pi Agent 的视觉桥接插件。它让...

Pi Vision Bridge 是一个面向 Pi Agent 的视觉桥接插件。它让 DeepSeek 等纯文本模型能够根据当前任务主动调用独立的视觉模型，从截图、照片、图表和文档中获取结构化证据，再由主模型完成分析、编码和决策。

项目目前基于 Pi 0.83.0 开发和验证。欢迎佬友试用、提 Issue 或一起完善。

最近做了一个 Pi Agent 的视觉桥接插件 Pi Vision Bridge，主要用途是为 DeepSeek 等纯文本模型接入独立视觉模型，让它们能够理解截图、照片、图表和文档，并继续完成分析、编码或决策任务。

工作流程

收到图片后，纯文本主模型会先理解当前任务，再带着具体目标调用视觉模型。视觉模型返回结构化证据，主模型根据这些证据继续回答或修改代码，而不是只得到一段泛泛的图片描述。

目前支持：

- 直接粘贴、拖拽或输入本地图片路径。

- 自动拦截纯文本模型对图片使用内置 read 去阅读图片的情况，并转入视觉分析。

- OCR、UI 逆向、尺寸测量、图表分析、文档分析和报错截图识别。

- 图片局部追问，以及参考图与实现截图对比。

- 并发请求、缓存、失败重试、备用视觉模型和本地审计日志。

- OpenAI 兼容视觉接口，可自行配置 Base URL、API Key 和模型 ID。

实际运行截图

直接粘贴图片识别

图片进入会话后，插件会生成 Artifact，主模型根据用户问题调用 vision_inspect，再使用视觉证据回答。

自动拦截 read 工具

纯文本模型使用内置 read 读取图片时，插件会自动拦截，并引导模型改用视觉工具完成识图。这里让模型自行去探索图片文件夹中的任意一张图片，使用 read 工具：

安装```
pi install git:github.com/bestxiangest/pi-vision-bridge
``安装后在 Pi TUI 中执行：``
/vision-settings
``配置视觉服务地址、API Key、模型 ID 和需要启用桥接的主模型，然后执行 /vision-test` 测试连接即可。

具体细节可见github页面，识图只是最基础应用，还包含克隆网站、修前端页面细节等功能：

视觉工具

工具 |
用途 |

vision_inspect |
对一张图片执行首次任务化分析 |

vision_query |
对整张图片或指定区域提出聚焦问题；区域坐标使用 0..1000 归一化边界框 |

vision_compare |
比较目标图与当前实现截图，返回按优先级排列的视觉差异 |