shaoqiuyuavailable/text-llm-vision

README excerpt

text-llm-vision：给纯文本模型装上「本地视觉眼睛」 让没有视觉的纯文本 LLM（DeepSeek、Qwen、Kimi、GLM 等）在任意主流 AI 编码智能体（Claude Code / Cline / OpenCode / Codex）里真正"看得见" ——图片进去，文字描述出来，模型基于描述正常推理。全程本地、零 API 费用、数据不出机器。 一句话定位 ：不是一个简单的"视觉代理"，而是一个 本地视觉增强引擎 ——专为"纯文本模型 + 任意 AI 编码智能体"设计，用 MCP 主路径 + 代理兜底 + 软规则三层互补架构 + Scan/Zoom/Guess 三次判定流水线 ， 三协议通用 （Anthropic / OpenAI Chat / OpenAI Responses）， Docker 可部署 ，配 VS Code 可视化控制面板 ，把 8B 小模型的视觉潜力榨到极致。 参考了 glm-vision 的「MCP + 代理 + 软规则」三层互补架构，视觉后端落在 本地视觉模型 （默认 Qwen2.5-VL，可换任意 Ollama 视觉模型）。 English / Keywords : MCP vision tools (primary path) + a paste-image reverse-proxy fallback for text-only LLMs (DeepSeek, Qwen, Kimi, GLM) used by any AI coding agent (Claude Code / Cline / OpenCode / Codex / Continue / Copilot / Cursor). Three-layer design: MCP server ( describe image ), reverse proxy (paste-image fallback), CLAUDE.md soft rules . Triple protocol : Anthropic Messages, OpenAI Chat Completions, OpenAI Responses — decoupled from any vendor. Vision backend: local vision model (default Qwen2.5-VL, swappable via config) with Scan/Zoom/Guess three-pass pipeline. Zero API cost , fully local/offline , Docker deployable, VS Code control panel. Upstream decoupled: CC Switch auto-follow (Anthro…

Category