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
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
# 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
- 用户明确要求分析图片 → 检测到图片路径
- 脚本将图片 base64 编码 → 发送到本地 Ollama API（127.0.0.1）
- qwen3.5 视觉模型分析图片 → 返回文字描述
- 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：
# macOS / Linux
pkill ollama && ollama serve &
# Windows (PowerShell)
Get-Process -Name "ollama*" -ErrorAction SilentlyContinue | Stop-Process -Force
Start-Process ollama -ArgumentList "serve" -WindowStyle Hidden