vision-subagent

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：

// 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"便宜视觉模型优先 → 经济型 → 旗舰兜底"的顺序选。
• 同一批图片审查应尽量一次性派发（一次 workflow 调用审多张），减少调用次数与成本。

已验证候选（示例）：deepseek-official/deepseek-flash、kimi-coding/kimi-for-coding、kimi-coding/kimi-for-coding-highspeed（均 text+image，经济型）。

⚠️ 图像能力靠配置声明：模型的 inputModalities 在配置里默认是 ["text"]。若某模型实际支持读图却被拒（read_image 报 "does not declare image input"），检查其配置是否声明了 image（DSH 的 dsh-llm-deepseek 等适配器本身支持图像，声明后即可读图）。

用法模板

用 workflow 派发看图子代理（provider/model 替换为探测到的可用视觉模型）：

await agent(
  '用 read_image 工具读取 <图片绝对路径>，然后完成任务：<你的具体诉求，如描述内容 / 审查质量 / 判断是否达标>，并结构化返回结论。',
  { provider: '<探测到的provider>', model: '<探测到的视觉 model>' }  // 指定视觉模型
)