Image Vision

本地图片视觉理解桥接。当用户明确要求分析、描述或理解图片内容时，调用本地 Ollama 视觉模型（qwen3.5:4b）读取图片并以文字描述返回，让不具备多模态能力的推理模型也能"看见"图片。

Image Vision Bridge

本地视觉桥接 —— 当用户明确要求分析图片时，调用 Ollama 本地视觉模型（qwen3.5:4b / qwen3.5:9b）读图并返回文字描述。

⚠️ 隐私提示: 图片内容会被读取并发送到本地 Ollama 服务进行处理。所有数据仅在本机传输，不上传云端。

使用方式

bash

python scripts/describe_image.py "<图片路径>"

可选参数

参数	说明	默认值
--model	视觉模型名	qwen3.5:4b
--prompt	自定义分析指令	详细描述所有细节

模型选择

• qwen3.5:4b (~3.4GB) — 轻量化，首次加载约30秒，后续秒级响应。适合日常读图。
• qwen3.5:9b (~6.6GB) — 更高质量，描述更准确细腻。适合需要精准理解的场景。

自定义 prompt 示例

bash

# 提取图中文字
--prompt "请逐字提取图片中所有文字内容，不要遗漏任何文字。"

# 分析 UI 界面
--prompt "这是一个软件界面截图，请分析其布局、按钮、输入框等交互元素。"

# 提取代码
--prompt "完整提取截图中的代码，保留缩进和格式。"

工作流程

1. 用户明确要求分析图片 → 检测到图片路径
2. 脚本将图片 base64 编码 → 发送到本地 Ollama API（127.0.0.1）
3. qwen3.5 视觉模型分析图片 → 返回文字描述
4. 描述注入对话 → 基于描述继续完成任务

前置条件

• ✅ Ollama 已安装并运行
• ✅ qwen3.5:4b 已拉取（已就绪）
• ✅ Python 3.9+

故障排除

如果 Ollama 模型崩溃（"llama-server process has terminated"），需要重启 Ollama 服务：

bash

# macOS / Linux
pkill ollama && ollama serve &

# Windows (PowerShell)
Get-Process -Name "ollama*" -ErrorAction SilentlyContinue | Stop-Process -Force
Start-Process ollama -ArgumentList "serve" -WindowStyle Hidden