ByteNoteByteNote
字

字节笔记本

2026年6月21日

hermes教程-标题：[视觉与图像粘贴]

#Claude Code
API中转
¥120
每日科技简报 · 每天一篇,快速了解科技圈大事

视觉与图像粘贴

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，并让代理分析、描述或处理它们。图片以 base64 编码的内容块形式发送给模型，因此任何支持视觉的模型都可以处理它们。

提示

Portal 订阅用户可以在同一目录中获得支持视觉的模型（Claude、GPT-5、Gemini）——无需额外凭证。参见 Nous Portal。

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 [📎 Image #1] 徽章的形式出现在输入框上方
  5. 提交时，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——每张图片都有自己的徽章。按 Ctrl+C 清除所有已附加的图片。

图片会以 PNG 格式保存到 ~/.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。并非所有方法都适用于所有环境——以下是完整说明：

/paste 命令

最可靠的显式图片附加回退方法。

/paste

输入 /paste 并按回车。Hermes 会检查剪贴板中的图片并附加它。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
  • 如果终端未干净地传递文本，则回退到原生剪贴板 / OSC52 文本
  • 当剪贴板或粘贴的负载解析为图片或图片路径时，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，而不是作为原始文本停留在编辑器中。

警告

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回退方法。

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/重做一致性：

/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 Terminal / iTerm2✅✅不适用最佳体验——原生剪贴板 + 截图路径恢复
Apple Terminal✅✅不适用如果 Cmd+←/→/⌫ 被重写，请使用 Ctrl+A / Ctrl+E / Ctrl+U 回退
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 Terminal）✅✅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 / 重做一致性
VS Code / Cursor / Windsurf（SSH）❌²❌²❌³改为在本地机器上运行 /terminal-setup
SSH 终端（任何）❌²❌²不适用远程剪贴板不可访问

² 参见下面的 SSH 和远程会话 ³ 该命令会写入本地 IDE 键绑定，不应从远程主机运行

平台特定设置

macOS

无需设置。 Hermes 使用 osascript（macOS 内置）读取剪贴板。为了获得更快的性能，可以选择安装 pngpaste：

bash
brew install pngpaste

Linux（X11）

安装 xclip：

bash
## Ubuntu/Debian
sudo apt install xclip
## Fedora
sudo dnf install xclip
## Arch
sudo pacman -S xclip

Linux（Wayland）

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

bash
## Ubuntu/Debian
sudo apt install wl-clipboard
## Fedora
sudo dnf install wl-clipboard
## Arch
sudo pacman -S wl-clipboard

提示——如何检查你是否在使用 Wayland

bash
echo $XDG_SESSION_TYPE
# "wayland" = Wayland, "x11" = X11, "tty" = 无显示服务器

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 的 Windows 互操作功能内置的——powershell.exe 默认可用。

剪贴板数据会以 base64 编码的 PNG 格式通过 stdout 传输，因此无需文件路径转换或临时文件。

信息——WSLg 说明

如果你正在运行 WSLg（带 GUI 支持的 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 会使用 Pillow（如果已安装）或 ImageMagick 的 convert 命令自动将 BMP 转换为 PNG。

验证 WSL2 剪贴板访问

bash
## 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

剪贴板图片粘贴在 SSH 上无法完全工作。 当你通过 SSH 连接到远程机器时，Hermes CLI 在远程主机上运行。剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取的是它们所运行机器的剪贴板——即远程服务器，而不是你的本地机器。因此，你的本地剪贴板图片无法从远程端访问。

文本有时仍然可以通过终端粘贴或 OSC52 桥接，但图片剪贴板访问和本地截图临时路径仍然绑定到运行 Hermes 的机器。

SSH 的解决方法

  1. 上传图片文件——将图片保存在本地，通过 scp、VSCode 的文件资源管理器（拖放）或任何文件传输方法上传到远程服务器。然后通过路径引用它。（计划在未来的版本中添加 /attach <filepath> 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。代理可以使用 vision_analyze 直接查看任何图片 URL。

  3. X11 转发——使用 ssh -X 连接以转发 X11。这允许远程机器上的 xclip 访问你的本地 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）。对于大图片速度较慢。

  4. 使用消息平台——通过 Telegram、Discord、Slack 或 WhatsApp 向 Hermes 发送图片。这些平台原生处理图片上传，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来源，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：

  1. 读取剪贴板中的文本内容
  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

如果剪贴板中只包含图片（没有文本），终端就没有内容可发送。没有标准的终端转义序列用于二进制图片数据。终端只是什么都不做。

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

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，采用 OpenAI 视觉内容格式：

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

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

图片路由（支持视觉的模型 vs 纯文本模型）

当用户附加图片时——无论是通过 CLI 剪贴板、网关（Telegram/Discord 照片）还是任何其他入口点——Hermes 会根据你当前使用的模型是否实际支持视觉来进行路由：

你的模型图片的处理方式
支持视觉（GPT-4V、带视觉的 Claude、Gemini、Qwen-VL、MiMo-VL 等）使用提供商的本地图片内容格式（如上所述）发送为真实像素。没有文本摘要层。
纯文本（DeepSeek V3、较小的开源模型、较旧的仅聊天端点）通过 vision_analyze 辅助工具路由——辅助视觉模型描述图片，然后将文本描述注入对话中。

你无需配置此功能——Hermes 会在提供商元数据中查找当前模型的能力，并自动选择正确的路径。实际效果是：你可以在会话中切换视觉和非视觉模型，图片处理“自动工作”，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。

处理文本描述路径的辅助模型可在 auxiliary.vision 下配置——参见辅助模型。

vision_analyze 具有相同的双重行为

vision_analyze 工具本身遵循相同的路由。当活动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（目前是 Anthropic、OpenAI、Azure-OpenAI 和 Gemini 3.x 系列）时，vision_analyze 会绕过辅助描述器，并将原始图片像素作为多模态工具结果信封返回。主模型在下一轮中本地查看图片——无需辅助调用，没有文本摘要信息丢失，没有额外延迟。

对于纯文本主模型（或其工具结果通道不支持图片的提供商），vision_analyze 回退到旧路径：它要求配置的辅助视觉模型描述图片，并将描述作为纯文本返回。无论哪种方式，调用工具签名都是相同的——工具在运行时根据活动模型决定走哪条路径。

Claude Code
上一篇

hermes教程-浏览器自动化

下一篇

hermes教程-标题：[视觉与图像粘贴]

分享: