VisionAgent 是 LandingAI 开发的“视觉 AI 领航员（Visual AI pilot）”工具。用户只需提供一句提示和一个图像或视频，它就会自动挑选合适的视觉模型，并输出可直接运行的代码，让开发者快速构建具备视觉能力的应用。
用途方面，VisionAgent 主要用于根据自然语言提示生成视觉任务代码，例如计数图像中的物体、检测特定目标、追踪视频中的人物等。它也能作为一组独立工具库使用，在自有脚本中直接调用具体的视觉函数。
主要能力包括：能根据提示生成代码生成任务计划（开启详细输出时会显示编号步骤）；基于计划生成代码与测试用例；用测试用例验证生成代码，若失败则迭代生成过程直至通过。VisionAgent 库内置多种工具（独立模型或函数），可完成特定任务。例如提示“统计图中狗的数量”，它可能先使用 florence2_object_detection 检测所有狗，再用 countgd_object_detection 统计数量。工具位于 vision_agent.tools API 中，安装后可在自有脚本中直接调用，如用 countgd_object_detection 统计图像中物体数量，或用 countgd_sam2_video_tracking 追踪视频中的人并配合 extract_frames_and_timestamps 返回出现人物的帧和时间戳。
使用方式：需 Python 3.9 或更高版本，并准备 Anthropic API 密钥、Google API 密钥以及 VisionAgent API 密钥（需先注册账号获取）。运行前需将这三个密钥设为环境变量。安装可通过 uv 或 pip 进行。快速开始流程为：获取密钥、设置环境变量、安装 VisionAgent、创建 quickstart 文件夹、放入待分析图像、将示例脚本复制为 source.py 并运行，随后会生成 generated_code.py 文件保存生成的代码。也可通过本地 Web 应用（examples/chat）体验。若想更换或仅使用某一 LLM 提供商，可在 vision_agent/configs/config.py 中修改，并添加对应 API 密钥。VisionAgent 使用 Anthropic Claude 3.7 Sonnet 和 Gemini Flash 2.0 Experimental（gemini-2.0-flash-exp）来响应提示并生成代码；v1.0.2 及更早版本由 Anthropic Claude-3.5 和 OpenAI o1 驱动，使用这些版本需获取 OpenAI API 密钥并设为环境变量。
适用场景：适合需要快速构建视觉 AI 应用的开发者，例如图像物体计数、目标检测、视频人物追踪等。也可作为工具库集成到自有项目中。
限制与注意事项：该工具已被弃用，官方建议改用 Agentic Document Extraction。使用前必须获取并设置 Anthropic、Google 和 VisionAgent 的 API 密钥，否则无法运行；Anthropic 和 Google 的 API 有各自的速率限制和付费层级。VisionAgent 本身的具体收费、价格、平台等信息暂未提供。
