纯文本编码Agent视觉工具包
为DeepSeek V4等纯文本模型提供图像理解能力的工具包，支持OCR、截图分析、视觉定位等功能。通过CLI工具+技能提示+可选代理集成三层架构，让无视觉能力的编码Agent也能处理UI截图、设计稿和错误弹窗。
给纯文本 LLM agent 装上眼睛：图片问答、OCR、截图分析、视觉定位等一套视觉工具箱 + skill，并可无缝接入 Codex、Claude Code、OpenCode、Pi ｜ Give text-only LLM agents vision: image Q&A, OCR, screenshot understanding, visual grounding, image-to-SVG - a vision toolkit & skill, with drop-in integration for Codex, Claude Code, OpenCode, Pi
当前主流做法是让团队直接升级到Claude 3.7 Sonnet或GPT-4o等多模态模型，但成本、延迟和私有化部署都是硬伤。这个工具包的聪明之处在于用"外挂视觉"的思路，让便宜的纯文本模型也能干活，特别适合已经深度绑定DeepSeek或自托管Llama的团队。
跟直接换多模态模型相比，它的劣势是交互轮次会增加（截图→描述→编码），但优势是视觉模块可替换、可缓存、可离线。如果Codex CLI后续开放更灵活的中间层hook，这种"模型解耦"的架构可能会成为企业落地的主流选择。
最该试的人：用Claude Code或Codex做内部工具开发，但预算敏感、想把视觉理解成本压到1/10以下的中小团队。
纯文本编码 Agent 的视觉能力补齐插件，桥接 VLM 与 CLI 工具链
独特价值：专为无视觉模型设计，三层架构实现零改造接入主流编码 Agent