视觉与图像粘贴
Hermes Agent 支持多模态视觉——你可以直接从剪贴板粘贴图像到 CLI 中，并要求代理进行分析、描述或处理它们。图像作为 base64 编码的内容块发送到模型，因此任何支持视觉的模型都可以处理它们。
工作原理
- 将图像复制到剪贴板（截图、浏览器图像等）
- 使用以下方法之一附加它
- 输入你的问题并按 Enter
- 图像显示为输入上方
[📎 Image #1]徽章 - 提交时，图像作为视觉内容块发送到模型
你可以在发送前附加多个图像——每个都有自己的徽章。按 Ctrl+C 清除所有附加的图像。
图像保存到 ~/.hermes/images/ 作为带时间戳文件名的 PNG 文件。
粘贴方法
附加图像的方式取决于你的终端环境。并非所有方法都适用于所有地方——以下是完整分解：
/paste 命令
最可靠的方法。适用于所有地方。
/paste
输入 /paste 并按 Enter。Hermes 检查剪贴板是否有图像并附加它。这在每个环境中都有效，因为它明确调用剪贴板后端——无需担心终端按键绑定拦截。
Ctrl+V / Cmd+V（括号粘贴）
当你粘贴剪贴板上的文本以及图像时，Hermes 也会自动检查图像。这在以下情况下有效：
- 你的剪贴板包含文本和图像两者（某些应用在复制时将两者都放入剪贴板）
- 你的终端支持括号粘贴（大多数现代终端都支持）
如果你的剪贴板只有图像（没有文本），Ctrl+V 在大多数终端中不起作用。终端只能粘贴文本——没有标准机制来粘贴二进制图像数据。使用 /paste 或 Alt+V 代替。
Alt+V
Alt 键组合通过大多数终端模拟器传递（它们作为 ESC + 键发送而不是被拦截）。按 Alt+V 检查剪贴板是否有图像。
在 VSCode 的集成终端中不起作用。 VSCode 为其自己的 UI 拦截了许多 Alt+键组合。改用 /paste。
Ctrl+V（原始 — 仅限 Linux）
在 Linux 桌面终端（GNOME Terminal、Konsole、Alacritty 等）上，Ctrl+V 不是粘贴快捷键——Ctrl+Shift+V 是。所以 Ctrl+V 发送原始字节到应用程序，Hermes 捕获它来检查剪贴板。这仅适用于具有 X11 或 Wayland 剪贴板访问权限的 Linux 桌面终端。
平台兼容性
| 环境 | /paste | Ctrl+V 文本+图像 | Alt+V | 备注 |
|---|---|---|---|---|
| macOS Terminal / iTerm2 | ✅ | ✅ | ✅ | 最佳体验——osascript 始终可用 |
| Linux X11 桌面 | ✅ | ✅ | ✅ | 需要 xclip（apt install xclip） |
| Linux Wayland 桌面 | ✅ | ✅ | ✅ | 需要 wl-paste（apt install wl-clipboard） |
| WSL2 (Windows Terminal) | ✅ | ✅¹ | ✅ | 使用 powershell.exe——无需额外安装 |
| VSCode Terminal (本地) | ✅ | ✅¹ | ❌ | VSCode 拦截 Alt+键 |
| VSCode Terminal (SSH) | ❌² | ❌² | ❌ | 远程剪贴板不可访问 |
| SSH 终端（任何） | ❌² | ❌² | ❌² | 远程剪贴板不可访问 |
¹ 仅在剪贴板同时有文本和图像时有效（仅图像剪贴板 = 无事发生） ² 参见下面的 SSH 和远程会话
平台特定设置
macOS
无需设置。 Hermes 使用 osascript（macOS 内置）读取剪贴板。为获得更快性能，可选择安装 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)
现代 Linux 桌面（Ubuntu 22.04+、Fedora 34+）默认通常使用 Wayland。安装 wl-clipboard：
# Ubuntu/Debian
sudo apt install wl-clipboard
# Fedora
sudo dnf install wl-clipboard
# Arch
sudo pacman -S wl-clipboard
echo $XDG_SESSION_TYPE
# "wayland" = Wayland, "x11" = X11, "tty" = 无显示服务器
WSL2
无需额外设置。 Hermes 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 Windows 互操作的内置功能——powershell.exe 默认可用。
剪贴板数据通过 stdout 作为 base64 编码的 PNG 传输，因此不需要文件路径转换或临时文件。
如果你运行的是 WSLg（带 GUI 支持的 WSL2），Hermes 首先尝试 PowerShell 路径，然后回退到 wl-paste。WSLg 的剪贴板桥仅支持 BMP 格式的图像——Hermes 使用 Pillow（如果已安装）或 ImageMagick 的 convert 命令将 BMP 自动转换为 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. 复制一个图像，然后检查
powershell.exe -NoProfile -Command "Add-Type -AssemblyName System.Windows.Forms; [System.Windows.Forms.Clipboard]::ContainsImage()"
# 应打印 "True"
SSH 和远程会话
剪贴板粘贴在 SSH 上不起作用。 当你 SSH 到远程机器时，Hermes CLI 运行在远程主机上。所有剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取它们运行所在机器的剪贴板——即远程服务器，而不是你的本地机器。你的本地剪贴板从远程端无法访问。
SSH 的变通方法
-
上传图像文件 — 将图像保存在本地，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。然后按路径引用。（计划在未来版本中添加/attach <filepath>命令。） -
使用 URL — 如果图像可在线访问，只需在消息中粘贴 URL。代理可以使用
vision_analyze直接查看任何图像 URL。 -
X11 转发 — 使用
ssh -X连接以转发 X11。这让远程机器上的xclip访问你的本地 X11 剪贴板。需要本地运行 X 服务器（macOS 上的 XQuartz、Linux X11 桌面上内置）。对于大图像速度较慢。 -
使用消息平台 — 通过 Telegram、Discord、Slack 或 WhatsApp 向 Hermes 发送图像。这些平台原生处理图像上传，不受剪贴板/终端限制的影响。
为什么终端不能粘贴图像
这是一个常见的混淆来源，所以这里是技术解释：
终端是基于文本的接口。当你按 Ctrl+V（或 Cmd+V）时，终端模拟器：
- 读取剪贴板的文本内容
- 用括号粘贴转义序列包装它
- 通过终端的文本流将其发送到应用程序
如果剪贴板只包含图像（没有文本），终端没有什么可发送的。没有用于二进制图像数据的标准终端转义序列。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——不是通过终端粘贴事件接收图像数据，而是通过 subprocess 直接调用 OS 级工具（osascript、powershell.exe、xclip、wl-paste）来独立读取剪贴板。
支持的模型
图像粘贴适用于任何支持视觉的模型。图像以 OpenAI 视觉内容格式的 base64 编码数据 URL 发送：
{
"type": "image_url",
"image_url": {
"url": "data:image/png;base64,..."
}
}
大多数现代模型支持此格式，包括 GPT-4 Vision、Claude（带视觉）、Gemini，以及通过 OpenRouter 服务的开源多模态模型。