SeaHi

主题

00:00:00
SeaHi2026-04-142026-05-31Hermes Agent 中文教程
1715
6.6m

视觉与图像粘贴 ​

Hermes Agent 支持多模态视觉 —— 您可以将图像从剪贴板直接粘贴到 CLI 中，并要求 Agent 分析、描述或处理它们。图像作为 base64 编码的内容块发送给模型，因此任何视觉能力模型都可以处理它们。

工作原理 ​

  1. 将图像复制到剪贴板（截图、浏览器图像等）
  2. 使用以下方法之一附加它
  3. 输入您的问题并按 Enter
  4. 图像显示为输入上方的 [📎 Image #1] 徽章
  5. 提交时，图像作为视觉内容块发送给模型

您可以在发送前附加多个图像 —— 每个都有自己的徽章。按 Ctrl+C 清除所有附加图像。

图像以带时间戳的文件名保存为 ~/.hermes/images/ 中的 PNG 文件。

粘贴方法 ​

如何附加图像取决于您的终端环境。并非所有方法在任何地方都有效 —— 这里是完整分解：

/paste 命令 ​

最可靠的方法。随处可用。

/paste

输入 /paste 并按 Enter。Hermes 检查剪贴板中的图像并附加它。这在每个环境中都有效，因为它显式调用剪贴板后端 —— 无需担心终端键绑定拦截。

Ctrl+V / Cmd+V（括号粘贴） ​

当您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：

  • 您的剪贴板包含文本和图像（某些应用程序在复制时同时放入两者）
  • 您的终端支持括号粘贴（大多数现代终端都支持）

警告

如果您的剪贴板只有图像（没有文本），Ctrl+V 在大多数终端中什么都不做。终端只能粘贴文本 —— 没有粘贴二进制图像数据的标准机制。改用 /paste 或 Alt+V。

Alt+V ​

Alt 键组合通过大多数终端模拟器（它们作为 ESC + 键发送，而不是被拦截）。按 Alt+V 检查剪贴板中的图像。

:::caution 在 VSCode 的集成终端中不起作用。 VSCode 拦截许多 Alt+键组合用于自己的 UI。改用 /paste。 :::

Ctrl+V（原始 —— 仅 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 才是。因此 Ctrl+V 向应用程序发送原始字节，Hermes 捕获它以检查剪贴板。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/pasteCtrl+V 文本+图像Alt+V说明
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❌无法访问远程剪贴板
SSH 终端 (任何)❌²❌²❌²无法访问远程剪贴板

¹ 仅当剪贴板同时有文本和图像时（仅图像剪贴板 = 什么都不发生） ² 见下方的 SSH 与远程会话

平台特定设置 ​

macOS ​

无需设置。 Hermes 使用 osascript（内置于 macOS）读取剪贴板。为了更快的性能，可选安装 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

如何检查您是否在 Wayland 上

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

WSL2 ​

无需额外设置。 Hermes 通过 /proc/version 自动检测 WSL2 并使用 powershell.exe 通过 .NET 的 System.Windows.Forms.Clipboard 访问 Windows 剪贴板。这内置于 WSL2 的 Windows 互操作中 —— powershell.exe 默认可用。

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

WSLg 说明

如果您运行 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 与远程会话 ​

剪贴板粘贴不通过 SSH 工作。 当您 SSH 到远程机器时，Hermes CLI 在远程主机上运行。所有剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取它们运行的机器的剪贴板 —— 即远程服务器，不是您的本地机器。您的本地剪贴板从远程端无法访问。

SSH 的解决方法 ​

  1. 上传图像文件 —— 本地保存图像，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。(未来的版本计划支持 /attach <filepath> 命令。)

  2. 使用 URL —— 如果图像可在线访问，只需在消息中粘贴 URL。Agent 可以使用 vision_analyze 直接查看任何图像 URL。

  3. X11 转发 —— 使用 ssh -X 连接以转发 X11。这让远程机器上的 xclip 访问您的本地 X11 剪贴板。需要在本地运行 X 服务器（macOS 上为 XQuartz，Linux X11 桌面上为内置）。大图像较慢。

  4. 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/终端限制影响。

为什么终端无法粘贴图像 ​

这是常见的困惑来源，因此这里是技术解释：

终端是基于文本的界面。当您按 Ctrl+V（或 Cmd+V）时，终端模拟器：

  1. 读取剪贴板中的文本内容
  2. 将其包装在括号粘贴转义序列中
  3. 通过终端的文本流将其发送给应用程序

如果剪贴板仅包含图像（没有文本），终端没有可发送的内容。没有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 Hermes 使用单独剪贴板检查的原因 —— 不是通过终端粘贴事件接收图像数据，而是通过子进程直接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 ​

图像粘贴适用于任何视觉能力模型。图像在 OpenAI 视觉内容格式中作为 base64 编码的数据 URL 发送：

json
{
  "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 和通过 OpenRouter 服务的开源多模态模型。