视觉与多模态 — 看图理解、图文混合推理

视觉能力

ZeroAI 的 Rust 智能体核心支持多模态推理：

• 图片上传——在对话里发图片，智能体可以看懂
• 截图分析——分析一张应用截图、界面截图里有什么
• OCR——提取图片里的文字
• 图文混合推理——结合图片和文字内容回答问题

怎么用

在 Terminal 或任意通道里发图片 + 问题：

[上传一张应用截图]
这个界面里有哪些按钮？帮我梳理一下功能入口

智能体会调用视觉模型（取决于你配置的供应商——GPT-4o、Claude Sonnet、Gemini 都支持多模态）来分析图片。

典型场景

1. 界面分析——帮你理解某个应用的界面、某个配置页面有什么选项
2. 截图转文字——OCR 提取截图里的文字
3. UI 问题排查——"帮我看看这个错误截图是什么意思"
4. 图表解读——上传一张数据图表，让智能体解读趋势

注意

视觉推理消耗的 token 比纯文字多，/cost 里能看到差异。如果只是纯文字任务，不需要视觉能力，可以关掉视觉相关的安全开关。

资料来源：GitHub ZeroAI README