视觉识别 · 主模型原生多模态（2026-08-27 起）

架构变更（2026-08-27）：主对话模型升级为 GLM-5.3-flash（原生多模态），本地图片直接用 Read 工具读，不再经 vision.js/API。GLM-4V 系列弃用（4v-plus 余额不足未续）。

通道选择（按序尝试）

能力边界

触发场景

以下情况优先用 Read 工具直接读图（主通道）；只有 bash 脚本自动化流程才调 vision.js：

1. 论文附图：天线结构图、尺寸标注图、层叠示意图、加工实物照片
2. 结果曲线：S 参数图、方向图、增益-频率曲线（提取大致趋势和数值范围）
3. CST 模型截图：检查模型几何是否正确、端口位置是否对齐
4. 对比图：仿真结果 vs 论文结果的并排对比
5. 报错截图：CST 错误弹窗、求解器发散信息
6. 出图自查：generate_figures.py 生成后 Read 复查文字裁切/遮挡（可配合 PIL crop 放大局部）

vision.js 备用通道用法

# 本地图片 — 默认 glm-5.3-flash（开放平台计费，需余额）
node ~/.zcode/skills/vision/vision.js "图片路径.png" "你的问题"

# 网络图片 — 自动下载转 base64
node ~/.zcode/skills/vision/vision.js --url "https://xxx.com/figure.png" "你的问题"

# 指定模型
node ~/.zcode/skills/vision/vision.js --model <模型名> "图片路径.png" "你的问题"

技术参数

• 主通道：会话主模型 GLM-5.3-flash（coding-plan 订阅计费，与开放平台 key 是两条通道）
• vision.js：智谱 BigModel 开放平台（open.bigmodel.cn），默认 glm-5.3-flash，key 见同目录 .env
• 最大输出：2048 tokens（.env 可调）
• 支持格式：JPG, PNG, GIF, WebP, BMP（API 单图 ≤ 5MB；主通道 Read 无此限制）

论文参数提取专用提示词

根据提取目标不同，使用针对性提示词：

提取天线几何结构

请详细描述这张天线结构图：
1. 天线的类型（微带贴片/偶极子/缝隙/Vivaldi等）
2. 各层结构（从上到下），每层的材料和大致厚度比例
3. 所有标注的尺寸符号（如 W, L, h, g 等）及其在图中对应的物理位置
4. 馈电方式（微带线/同轴探针/缝隙耦合等）及其位置
5. 如果用到了多个介质层，说明每层的相对位置

提取尺寸标注

请读取图片中所有标注的尺寸数值：
- 对每个标注，给出对应的变量名（如果有）和数值
- 标注单位（mm/mil/μm）
- 如果标注了公差范围，也请列出
- 如果图片中有表格，逐行读取表格数据

读取结果曲线

请分析这张 S 参数 / 方向图 / 增益曲线：
1. X 轴和 Y 轴分别是什么物理量，单位是什么
2. 曲线的大致趋势（单谐振/双谐振/宽带等）
3. 关键数据点的大致数值（最低点频率和深度、-10dB带宽范围、峰值增益等）
4. 如果有多个曲线，分别对应什么条件

对比模型与论文

请对比这两张图片：
- 第一张是论文中的天线结构图
- 第二张是 CST 模型截图
逐项对比：天线形状、馈线位置、基板比例、端口位置是否一致。
指出任何明显的差异。

质量保障

• 对于关键尺寸，优先采信论文正文中的数值，图片仅用于理解空间关系
• 如果图片标注模糊，在 model_spec.yaml 中标记 info_completeness: yellow 并记录存疑
• 曲线图提取的数值只能作为参考范围，精确值以论文正文或表格为准
• 如果图片质量太差无法识别，直接报告"图片无法识别"而不要编造

错误处理

• API 429 / 余额不足 → 开放平台 key 欠费；会话内直接改用主模型 Read 读图（主通道本来就不依赖余额），或去 open.bigmodel.cn 充值
• API 4xx → 检查 GLM_API_KEY 是否有效
• 图片输入格式/解析错误 → 图片可能损坏或格式不支持，尝试另存为标准 PNG/JPG
• 文件不存在 → 检查路径，远程图确认已下载到本地
• 识图失败 → 尝试转换图片格式（PNG → JPG）、降低分辨率，或用 PIL 裁剪关键区域后重读