199 lines
11 KiB
Markdown
199 lines
11 KiB
Markdown
# Kimi Eyes 👀
|
||
|
||
> [English](README.en.md) | 中文
|
||
|
||
让 KimiCode 的**非多模态模型**也能分析图片与截图（借鉴 [opencode-vision](https://github.com/JochenYang/opencode-vision) 的思路，但更薄：无 hook、无消息变换、无状态残留）。
|
||
|
||
**核心机制**：插件声明一个 MCP stdio 服务器，暴露两个工具——`read_image`（读本地图片）与 `read_clipboard_image`（读剪贴板截图），经 `SYSTEM.md` 引导模型调用；服务器按你配置的协议（OpenAI 兼容 / Anthropic）把图片发给你自己配置的多模态 API，返回文本描述。
|
||
|
||
```
|
||
多模态模型：Alt+V 粘贴即看，插件自动闲置
|
||
非多模态模型：@图片路径 / 截图后提问 → 模型调 mcp__kimi-eyes__read_image / read_clipboard_image → 你的 VLM 返回描述
|
||
```
|
||
|
||
## 前置要求
|
||
|
||
- KimiCode CLI（本插件通过插件机制加载，需支持 `/plugins` 与 MCP）
|
||
- Node.js ≥ 18（`node --version` 检查；原生 fetch 需要 18+）
|
||
- 一个支持视觉输入的多模态 API（OpenAI 兼容 `chat/completions`，或 Anthropic `messages`），Key 由你自己提供
|
||
|
||
## 适用范围
|
||
|
||
**本插件对主模型没有任何限制**——无论你的 KimiCode 当前用哪个模型、来自哪家服务商，只要它不具备原生图片输入能力（`image_in`），本插件就能为它补上视觉：
|
||
|
||
- **常见非多模态模型**：DeepSeek（deepseek-chat）、Qwen 纯文本版（qwen-plus / qwen-turbo）、Llama 文本系列、以及本地部署的文本模型（Ollama / vLLM 等）
|
||
- **任何第三方模型**：通过 KimiCode 配置的任意 OpenAI 兼容或自定义模型，只要它原生不看图，插件就会在消息含图片时引导模型调用视觉工具
|
||
- **多模态模型**：自动跳过（Alt+V 粘贴即看，插件闲置）
|
||
|
||
视觉能力由**你自己配置的 VLM** 提供，与主模型完全解耦：
|
||
|
||
| 协议 | 常见视觉模型示例 |
|
||
| --- | --- |
|
||
| OpenAI 兼容 | qwen-vl 系列、GLM-4V、GPT-4o / GPT-5 兼容端点、Gemini 兼容端点等 |
|
||
| Anthropic | Claude 3.5 / 3.7 / 4 系列等 |
|
||
|
||
一句话：**主模型只管理解文字，看图交给外部 VLM**。配置时只需在 setup 向导第一步选择与你视觉 API 服务商匹配的协议，其余全部自动。
|
||
|
||
## 快速开始
|
||
|
||
### 1. 安装插件
|
||
|
||
在 KimiCode 会话里执行：
|
||
|
||
```
|
||
/plugins install D:\AIGC\Plugin\kimi-eyes
|
||
```
|
||
|
||
### 2. 配置视觉 API（一次性）
|
||
|
||
在插件目录运行配置向导：
|
||
|
||
```
|
||
cd D:\AIGC\Plugin\kimi-eyes
|
||
node setup.mjs
|
||
```
|
||
|
||
向导按顺序引导：**选择协议（OpenAI 兼容 / Anthropic）→ 填写 BaseUrl → 填写 API Key（掩码输入）→ 拉取模型列表选择多模态模型 → 1×1 图片视觉验证 → 可选填写当前主模型名（用于触发判断）→ 写入配置**。
|
||
|
||
- 模型列表自动从 `GET {BaseUrl}/models` 拉取，用内置的 models.dev 数据库**精确标注「✓视觉 / 文本」**，未收录的按关键词标「★疑似」；拉取失败时回退为手动输入
|
||
- 视觉验证通过才落盘，防止配到一个不收图片的模型
|
||
- 最后一步可填写**当前主模型名**（可选）：插件用 models.dev 判定后，若该模型支持原生识图，工具会直接提示无需调用——即「多模态不触发」的代码级判断（详见[触发](#触发日常全自动)）
|
||
- 配置写入 `~/.kimi-code/kimi-eyes/config.json`（类 Unix 系统自动 `chmod 600`）
|
||
|
||
### 3. 启用
|
||
|
||
```
|
||
/reload
|
||
```
|
||
|
||
MCP 服务器会随会话自动启动。
|
||
|
||
### 4. 使用
|
||
|
||
| 场景 | 操作 |
|
||
| --- | --- |
|
||
| 多模态模型 | 直接 Alt+V 粘贴图片，原生看图，插件不参与 |
|
||
| 非多模态 + 有图片路径 | 输入 `@截图.png` 或直接给路径，模型自动调 `read_image` |
|
||
| 非多模态 + 刚截图/复制 | 截图后直接提问「分析这张截图」，模型自动调 `read_clipboard_image` 读系统剪贴板 |
|
||
|
||
## 激活与触发
|
||
|
||
### 激活（一次性）
|
||
|
||
```
|
||
/plugins install D:\AIGC\Plugin\kimi-eyes # 1. 安装
|
||
/reload # 2. 启用（或 /new 新开会话）
|
||
```
|
||
|
||
启用后 MCP 服务器随每个会话自动启动，没有单独的「开启功能」步骤。验证方式：
|
||
|
||
- `/plugins list` → kimi-eyes 状态应为 enabled
|
||
- `/mcp` → kimi-eyes 服务器应显示 connected
|
||
- `/plugins info kimi-eyes` → 应无诊断错误
|
||
|
||
### 触发（日常，全自动）
|
||
|
||
插件是**被动式**的：`SYSTEM.md` 为模型植入规则，模型在合适时机自动调用工具，无需手动操作：
|
||
|
||
| 信号（消息里的任何一项） | 模型自动行为 |
|
||
| --- | --- |
|
||
| 图片格式路径或 `@` 引用（`.png/.jpg/.jpeg/.webp/.gif/.bmp`） | **硬触发**：无条件调 `read_image(path)`，与提问语料无关 |
|
||
| 消息里有你无法解读的媒体内容（如粘贴的图片） | 忽略该媒体 part，自动调 `read_clipboard_image()` 读剪贴板（粘贴后剪贴板仍保留原图） |
|
||
| 提问语义涉及图像内容：图 / 截图 / 照片 / 界面 / 图表 / 验证码 / OCR 等，但无路径 | 自动调 `read_clipboard_image()` |
|
||
| 模型原生支持 `image_in`（多模态） | 跳过全部规则，原生看图，不调工具 |
|
||
|
||
**触发不依赖固定语料**——用户不需要说「分析这个图片」。图片格式路径是**无条件硬触发**；拿不准时模型会倾向于调工具而不是瞎猜（SYSTEM.md 里的明确规则）。
|
||
|
||
**关于模型能力判断**：KimiCode 不向插件暴露「当前模型是否多模态」的信号，本插件提供两层判断：
|
||
|
||
- **代码级（推荐）**：在配置里声明 `mainModel`（setup 向导最后一步，或环境变量 `VISION_MAIN_MODEL`），插件用内置的 models.dev 数据库判断——命中且支持识图 → 工具直接提示「你是多模态模型，直接粘贴看图」；命中且纯文本 → 正常走工具
|
||
- **引导级**：未声明 `mainModel` 时，靠 SYSTEM.md 的显式跳过规则（模型自我识别）
|
||
|
||
两层都是 fail-safe：判断错误最坏只是多一次外部调用（多模态误调）或漏调（文本模型漏调可用路径/语义信号补上）。若想硬性关闭，多模态场景可直接 `/plugins disable kimi-eyes`。
|
||
|
||
**首次调用会弹一次审批**（MCP 工具权限）：选 *Approve for this session* 本会话免问；想永久免审批，在 `~/.kimi-code/config.toml` 添加：
|
||
|
||
```toml
|
||
[[permission.rules]]
|
||
decision = "allow"
|
||
pattern = "mcp__kimi-eyes__*"
|
||
```
|
||
|
||
触发成功的标志：回答前 TUI 出现工具调用记录，模型随后基于返回的描述作答。若模型未自动调用（例如只贴了路径未提问），可直接命令：「调用 read_image 工具分析 D:\xxx.png」。
|
||
|
||
## 环境变量（可选，覆盖配置文件）
|
||
|
||
| 变量 | 说明 | 优先级 |
|
||
| --- | --- | --- |
|
||
| `VISION_API_PROTOCOL` | `openai` 或 `anthropic`，强制指定协议 | 高于配置文件 |
|
||
| `VISION_API_KEY` | API Key | 高于配置文件 |
|
||
| `VISION_API_URL` | BaseUrl | 高于配置文件 |
|
||
| `VISION_MODEL` | 模型名 | 高于配置文件 |
|
||
| `VISION_MAIN_MODEL` | 当前主模型名（可选），用于触发判断 | 高于配置文件 |
|
||
| `VISION_MAX_TOKENS` | 视觉 API 返回最大 token 数（默认 1024） | — |
|
||
| `VISION_FETCH_TIMEOUT_MS` | 请求超时毫秒（默认 60000） | — |
|
||
|
||
> 环境变量与 `config.json` 同名配置冲突时，环境变量优先；两者都没配时工具会返回明确错误并提示先运行 `setup.mjs`。
|
||
> 环境变量可沿用 opencode-vision 的迁移习惯——变量名完全兼容。
|
||
|
||
## 协议说明
|
||
|
||
| | OpenAI 兼容 | Anthropic |
|
||
| --- | --- | --- |
|
||
| 请求端点 | `{BaseUrl}/chat/completions`（自动补 `/v1`） | `{BaseUrl}/v1/messages` |
|
||
| 鉴权 | `Authorization: Bearer <Key>` | `x-api-key: <Key>` + `anthropic-version: 2023-06-01` |
|
||
| 图片传法 | `image_url` + base64 data URL | `source: {type:"base64"}` |
|
||
| 模型列表 | `GET {BaseUrl}/models` | `GET {BaseUrl}/v1/models`（官方无此端点，失败回退手动输入） |
|
||
|
||
## 模型能力数据库（models.dev）
|
||
|
||
插件内置一份从 [models.dev](https://models.dev) 同步的精简能力库 `mcp/models-db.json`（当前收录 279+ 模型，标注每个模型是否支持图片输入，约 19KB），用于两处：
|
||
|
||
- 向导选择视觉模型时的**精确标注**（✓视觉 / 文本），替代纯关键词猜测
|
||
- 声明 `mainModel` 后**判断当前主模型是否多模态**，实现代码级触发开关
|
||
|
||
**打包时同步**（数据会更新，建议每次发布前运行）：
|
||
|
||
```
|
||
node scripts/sync-models.mjs
|
||
```
|
||
|
||
- 数据源：`https://models.dev/models.json`
|
||
- 走代理：设置 `HTTPS_PROXY`，例如 `HTTPS_PROXY=http://127.0.0.1:7897 node scripts/sync-models.mjs`
|
||
- 可选参数：`--timeout <秒>`（默认 180）、`--out <路径>`（默认 `mcp/models-db.json`）、`--endpoint <URL>`
|
||
- 模型匹配策略：精确 id → `provider/模型名` 后缀 → 大小写不敏感的名称匹配
|
||
- **未收录的模型**：查询返回未知——向导回退关键词猜测（★疑似），触发判断回退 SYSTEM.md 引导，不影响使用
|
||
- **手动特例**：models.dev 未收录但确认支持识图的模型（如 `k3-256k`、`kimi-for-coding`），在 `scripts/sync-models.mjs` 的 `EXTRA_ENTRIES` 里维护，每次同步自动合入、不会被覆盖
|
||
|
||
## 工具
|
||
|
||
| 工具 | 参数 | 说明 |
|
||
| --- | --- | --- |
|
||
| `read_image` | `path`（必填）、`prompt`（可选） | 校验文件为图片（扩展名 + 魔数）后调 VLM |
|
||
| `read_clipboard_image` | `prompt`（可选） | 从系统剪贴板取图存临时文件后调 VLM，用完即删 |
|
||
|
||
剪贴板取图依赖平台工具：Windows 用 PowerShell（内置）、macOS 需 `pngpaste`（`brew install pngpaste`）、Linux 需 `wl-paste`（Wayland）或 `xclip`（X11）。
|
||
|
||
## 故障排查
|
||
|
||
- **工具返回「Vision API is not configured」** → 运行 `node setup.mjs`，或设置 `VISION_API_KEY` / `VISION_API_URL` / `VISION_MODEL`
|
||
- **模型列表拉取失败**（404/401）→ 向导自动回退手动输入；若服务端不支持 `/models`，直接输入模型名即可
|
||
- **视觉验证失败** → 换一个真正支持图片输入的模型（参考服务商文档，如 `qwen-vl-max`、`glm-4v`、`gpt-4o`、`claude-3-5-sonnet` 等）
|
||
- **`read_clipboard_image` 报错** → 确认剪贴板里确实有图片（先 Ctrl+C 复制或 Win+Shift+S 截图）；macOS/Linux 检查上述平台工具是否安装
|
||
- **安装后工具不生效** → 确认插件已启用（`/plugins list`），并运行过 `/reload` 或新开会话
|
||
|
||
## 安全说明
|
||
|
||
- `config.json` 以明文保存你的 API Key（类 Unix 已设 `600` 权限）；请勿将该文件提交到版本库
|
||
- `read_clipboard_image` 会读取系统剪贴板内容——剪贴板里可能刚复制过敏感信息。该工具调用会经过审批流，由你决定何时触发
|
||
- 本项目不内置任何密钥，视觉请求只发往你配置的 BaseUrl
|
||
|
||
## 局限
|
||
|
||
- 不做子代理委托方案：KimiCode 子代理的 `model_preference` 只能选择 primary/secondary，无法像 opencode 那样指定一个具体视觉模型，收益有限
|
||
- 不做 `UserPromptSubmit` hook 兜底：当前 `SYSTEM.md` 引导已覆盖常规场景；若你的 TUI 环境下粘贴/引用行为异常，可再评估 hook
|
||
|
||
## License
|
||
|
||
MIT
|