给智能体加上“眼睛”
EmbarrassedEgg1268 · reddit · 2026-07-10
作者认为，当前很多 agent 仍然停留在“文本输入+工具调用”的模式，但这会让用户先把现实问题损失信息地翻译成文字，尤其在维修、理赔、质检、诊断等场景里，视频/图片往往比描述更有用。 帖子强调，把视觉输入接入 agent 过去是个不小的基础设施工程：要解决采集、存储、转码、调用视觉模型，以及把结果结构化写回 CRM/工单/数据库。现在开始出现专门做这件事的工具——让开发者定义字段，用户通过无 App 的链接上传视频/图片/音频/PDF，系统返回结构化 JSON 或 webhook，等于给 agent 加上“眼睛”。