Skip to main content

视觉与图片粘贴

Hermes Agent 支持多模态视觉——你可以将剪贴板中的图片直接粘贴到 CLI 中，让 Agent 进行分析、描述或处理。图片会以 base64 编码的内容块形式发送给模型，因此任何支持视觉能力的模型都能处理它们。

工作原理​

  1. 将图片复制到剪贴板（截图、浏览器图片等）
  2. 使用以下方法之一附加图片
  3. 输入你的问题并按回车
  4. 图片会以 [📎 图片 #1] 徽章的形式显示在输入框上方
  5. 提交后，图片会作为视觉内容块发送给模型

你可以在发送前附加多张图片——每张图片都会获得自己的徽章。按 Ctrl+C 可清除所有已附加的图片。

图片会以 PNG 文件形式保存到 ~/.hermes/images/ 目录，文件名带有时间戳。

粘贴方法​

如何附加图片取决于你的终端环境。并非所有方法在所有地方都有效——以下是完整说明：

/paste 命令​

最可靠的显式图片附加备用方案。

/paste

输入 /paste 并按回车。Hermes 会检查你的剪贴板中是否有图片并将其附加。当你的终端重写了 Cmd+V/Ctrl+V，或者你只复制了图片且没有可检查的括号粘贴文本负载时，这是最安全的选择。

Ctrl+V / Cmd+V​

Hermes 现在将粘贴视为分层流程：

  • 首先处理普通文本粘贴
  • 如果终端未能干净地传递文本，则使用原生剪贴板 / OSC52 文本备用方案
  • 当剪贴板或粘贴的负载解析为图片或图片路径时，自动附加图片

这意味着粘贴的 macOS 截图临时路径和 file://... 图片 URI 可以立即附加，而不会作为原始文本停留在编辑器中。

warning

如果你的剪贴板中只有图片（没有文本），终端仍然无法直接发送二进制图片字节。请使用 /paste 作为显式的图片附加备用方案。

针对 VS Code / Cursor / Windsurf 的 /terminal-setup​

如果你在 macOS 上的本地 VS Code 系列集成终端中运行 TUI，Hermes 可以安装推荐的 workbench.action.terminal.sendSequence 绑定，以获得更好的多行和撤销/重做支持：

/terminal-setup

当 Cmd+Enter、Cmd+Z 或 Shift+Cmd+Z 被 IDE 拦截时，这尤其有用。仅在本地机器上运行——不要在 SSH 会话中运行。

平台兼容性​

环境/pasteCmd/Ctrl+V/terminal-setup备注
macOS 终端 / iTerm2✅✅不适用最佳体验——原生剪贴板 + 截图路径恢复
Apple 终端✅✅不适用如果 Cmd+←/→/⌫ 被重写，请使用 Ctrl+A / Ctrl+E / Ctrl+U 备用方案
Linux X11 桌面✅✅不适用需要 xclip（apt install xclip）
Linux Wayland 桌面✅✅不适用需要 wl-paste（apt install wl-clipboard）
WSL2（Windows 终端）✅✅不适用使用 powershell.exe——无需额外安装
VS Code / Cursor / Windsurf（本地）✅✅✅推荐用于更好的 Cmd+Enter / 撤销 / 重做支持
VS Code / Cursor / Windsurf（SSH）❌²❌²❌³改为在本地机器上运行 /terminal-setup
SSH 终端（任意）❌²❌²不适用远程剪贴板不可访问
² 参考下面的 SSH 和远程会话
³ 该命令写入本地 IDE 按键绑定，不应在远程主机上运行

平台特定设置​

macOS​

无需额外设置。 Hermes 使用 macOS 内置的 osascript 来读取剪贴板。如果想获得更快的性能，可选择性安装 pngpaste：

brew install pngpaste

Linux (X11)​

安装 xclip：

# Ubuntu/Debian
sudo apt install xclip

# Fedora
sudo dnf install xclip

# Arch
sudo pacman -S xclip

Linux (Wayland)​

较新的 Linux 桌面环境（Ubuntu 22.04+、Fedora 34+）通常默认使用 Wayland。安装 wl-clipboard：

# Ubuntu/Debian
sudo apt install wl-clipboard

# Fedora
sudo dnf install wl-clipboard

# Arch
sudo pacman -S wl-clipboard
如何检查是否正在使用 Wayland
echo $XDG_SESSION_TYPE
# "wayland" = Wayland, "x11" = X11, "tty" = 无显示服务器
<a id="how-to-check-if-you-re-on-wayland"></a>

WSL2​

无需额外设置。 Hermes 会自动检测 WSL2（通过 /proc/version），并使用 powershell.exe 通过 .NET 的 System.Windows.Forms.Clipboard 访问 Windows 剪贴板。这是 WSL2 与 Windows 交互的内置功能——默认情况下即可使用 powershell.exe。

剪贴板数据会以 base64 编码的 PNG 格式通过 stdout 传输，因此无需转换文件路径或创建临时文件。

WSLg 说明

如果你在运行 WSLg（支持图形界面的 WSL2），Hermes 会首先尝试 PowerShell 路径，然后回退到 wl-paste。WSLg 的剪贴板桥仅支持 BMP 格式的图片——Hermes 会自动使用 Pillow（如果已安装）或 ImageMagick 的 convert 命令将 BMP 转换为 PNG。

验证 WSL2 剪贴板访问​

# 1. 检查 WSL 检测
grep -i microsoft /proc/version

# 2. 检查 PowerShell 是否可访问
which powershell.exe

# 3. 复制一张图片，然后检查
powershell.exe -NoProfile -Command "Add-Type -AssemblyName System.Windows.Forms; [System.Windows.Forms.Clipboard]::ContainsImage()"
# 应输出 "True"

SSH 和远程会话​

通过 SSH 粘贴剪贴板图片无法完全正常工作。 当你 SSH 到远程机器时，Hermes CLI 运行在远程主机上。剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取的是它们所在机器的剪贴板——也就是远程服务器，而不是你的本地机器。因此，远程侧无法访问你的本地剪贴板图片。

文本有时仍可通过终端粘贴或 OSC52 进行桥接，但剪贴板图片的访问和本地截图临时路径仍然与运行 Hermes 的机器绑定。

SSH 的替代方案​

  1. 上传图片文件——在本地保存图片，通过 scp、VSCode 的文件资源管理器（拖放）或任何文件传输方法将其上传到远程服务器。然后通过路径引用。（计划在未来的版本中增加 /attach &lt;filepath&gt; 命令。）

  2. 使用 URL——如果图片可以在线访问，只需在消息中粘贴 URL。Agent 可以直接使用 vision_analyze 查看任何图片 URL。

  3. X11 转发——使用 ssh -X 连接以转发 X11。这样远程机器上的 xclip 就能访问你本地的 X11 剪贴板。需要在本地运行 X 服务器（macOS 上的 XQuartz，Linux X11 桌面内置）。对于大图片来说速度较慢。

  4. 使用消息平台 — 通过 Telegram、Discord、Slack 或 WhatsApp 将图片发送给 Hermes。这些平台原生支持图片上传，不受剪贴板/终端限制的影响。

为什么终端无法粘贴图片​

这是一个常见的困惑点，以下是技术解释：

终端是基于文本的界面。当你按下 Ctrl+V（或 Cmd+V）时，终端模拟器会：

  1. 从剪贴板读取文本内容
  2. 将其包裹在括号粘贴转义序列中
  3. 通过终端的文本流发送给应用程序

如果剪贴板中只有图片（没有文本），终端就没什么可发送的。没有标准的终端转义序列用于二进制图片数据。终端什么都不做。

这就是为什么 Hermes 使用单独的剪贴板检查——它不是通过终端的粘贴事件接收图片数据，而是直接通过子进程调用操作系统级工具（osascript、powershell.exe、xclip、wl-paste）独立读取剪贴板。

支持的模型​

图片粘贴适用于任何支持视觉的模型。图片以 base64 编码的数据 URL 形式发送，格式为 OpenAI 视觉内容格式：

{
  "type": "image_url",
  "image_url": {
    "url": "data:image/png;base64,..."
  }
}

大多数现代模型都支持此格式，包括 GPT-4 Vision、Claude（视觉版）、Gemini，以及通过 OpenRouter 提供的开源多模态模型。

图片路由（支持视觉 vs 纯文本模型）​

当用户附加图片时（无论是来自 CLI 剪贴板、网关（Telegram/Discord 照片）还是其他入口点），Hermes 会根据你当前的模型是否支持视觉来路由它：

你的模型图片处理方式
支持视觉（GPT-4V、Claude 视觉版、Gemini、Qwen-VL、MiMo-VL 等）作为真实像素，使用上述提供商的本地图片内容格式发送。没有文本摘要层。
纯文本（DeepSeek V3、小型开源模型、旧版纯聊天端点）通过 vision_analyze 辅助工具路由——一个辅助视觉模型描述图片，然后将文本描述注入对话。

你不需要配置这个——Hermes 会在提供商元数据中查找你当前模型的能力，并自动选择正确的路径。实际效果是：你可以在会话中随时切换视觉和非视觉模型，图片处理“无缝工作”，无需更改工作流程。纯文本模型会获得关于图片的连贯上下文，而不是它们必须拒绝的损坏的多模态负载。

哪个辅助模型处理文本描述路径，可以在 auxiliary.vision 下配置——参见辅助模型。

vision_analyze 也有相同的双重行为​

vision_analyze 工具本身遵循相同的路由。当活跃的主模型支持视觉并且其提供商支持在工具结果中包含图片内容时（目前是 Anthropic、OpenAI、Azure-OpenAI 和 Gemini 3.x 系列），vision_analyze 会绕过辅助描述器，并以多模态工具结果信封的形式返回原始图片像素。主模型在下一轮中会原生看到图片——无需辅助调用，没有文本摘要信息丢失，没有额外延迟。 对于纯文本的主模型（或工具结果通道不携带图像的提供商），vision_analyze 会回退到传统路径：它要求配置的辅助视觉模型描述图像，并将描述作为纯文本返回。无论哪种方式，调用工具的签名都是相同的——工具在运行时根据当前激活的模型决定走哪条路径。