用途：配置 Watch Skill 的视觉模型后端。其代理界面与模型后端是相互独立的选择，Claude Code、Codex、Cursor、OpenClaw、框架代理和 REST 客户端都调用同一引擎，引擎可将选定帧发送给任意受支持的视觉提供方。
主要能力与用法：用 setup-vision 命令连接提供方，例如 watch-skill setup-vision --provider anthropic --api-key <KEY>；将 anthropic 换成 openai、gemini、openrouter 亦可，本地则为 watch-skill setup-vision --provider ollama。
分层路由：一个模型可同时承担两层工作，如 watch-skill setup-vision --provider openai --api-key <KEY> --model <vision-model>；也可用较便宜的模型做场景描述、更强的模型处理不确定答案与循环评审，命令为 watch-skill setup-vision --provider openrouter --api-key <KEY> \ --cheap-model <fast-vision-model> --strong-model <strong-vision-model>。
校验：加 --verify 会发起一次实时探测调用；若失败，应报告结构化错误及其修复方法，且绝不回显密钥。优先使用用户已有的密钥；不要声称 Ollama 是必需的，也不要要求用户在聊天中透露密钥，用户可设置对应环境变量或在终端中私下运行命令。
限制与无提供方情形：没有视觉 API 时，Watch Skill 仍可获取视频、读取字幕、运行本地转录与 OCR、建立证据索引并检索；视觉综合会降级为带时间戳的证据，而不是猜测。