用途：为只能处理文本的智能体提供“眼睛”。五个本地 CLI 按问题类型选用：问“图里是什么/写了什么”用 glance；问“某个可命名目标在哪”用 ground；问“某类元素的全部实例”用 detect；问“精确形状/尺寸/偏移”用 trace；问“把某个框裁成图片”用 crop。配套脚本还覆盖长截图 OCR、前景提取为透明 PNG、HTML 转截图、像素差异对比、区域主色提取。
主要能力与配置：共用一份视觉配置（VISION_API_KEY / VISION_BASE_URL / VISION_MODEL / LANG），另有可选的 VISION_API_PROTOCOL、VISION_REASONING_EFFORT、VISION_USER_AGENT，无需额外凭据。ground 与 detect 返回真实坐标，但基于 0-1000 网格缩放，非像素级精确，适合裁剪、点击、位置比较；需要精确数值时用 trace（本地，无需视觉 API）。
必要用法示例： glance <image> -q "<question>" glance <image> --ocr ground <image> "<target description>" detect <image> "buttons" trace <image> --polygon crop <image> --region X1,Y1,X2,Y2 --scale 4 python3 scripts/long_screenshot_ocr.py work/page.png -o work/page.ocr.md python3 scripts/html_shot.py page.html --full-page 注意提供方原生 0-1000 框数组顺序不同：Gemini 用 [y0,x0,y1,x1]，Qwen3-VL 等用 [x0,y0,x1,y1]，需按模型族选择。
适用场景：长截图/聊天记录 OCR、页面或组件还原为 HTML/CSS、图标/Logo 提取为透明 PNG 或 SVG、草图转 Mermaid/Graphviz、从截图操作 GUI。多步任务遵循由粗到细：先整图概览，再 ground 定位并用 glance --region 放大查看；像素级事实（精确颜色、小偏移、尺寸）不应采信模型的文字描述，应从 trace、ground 框或 pixel_diff 获取。
限制与说明：仅支持 PNG/JPEG/GIF/WebP。detect 默认面向 UI 截图，照片或视频帧需显式传类别。命令找不到说明可选工具未安装，应如实告知用户而非自行替代。视觉 API 失败需忠实转达错误，不得编造图片内容。crop 的 --scale 等部分功能需要可选 pillow，自动前景提取还需 numpy，html_shot 需 Chrome 系浏览器。相关细节可参考仓库内 references/ 各任务文档；更多安装与用法见源仓库与安装指南链接。