视觉与图像粘贴
Hermes Agent 支持 多模态视觉功能 — 你可以直接将剪贴板中的图片粘贴到 CLI 中，并让代理对其进行分析、描述或处理。图片以 base64 编码的内容块形式发送给模型，因此任何具备视觉能力的模型都可以处理它们。
工作原理
- 将一张图片复制到你的剪贴板（截图、浏览器图片等）
- 使用以下任一方法附加该图片
- 输入你的问题并按回车键
- 图片会以
[📎 Image #1]标签的形式显示在输入框上方 - 提交时，图片作为视觉内容块发送给模型
你可以在提交前附加多张图片——每张图片都有独立的标签。按下 Ctrl+C 可清除所有已附加的图片。
图片会被保存至 ~/.hermes/images/，文件名为带时间戳的 PNG 格式。
粘贴方法
如何附加图片取决于你的终端环境。并非所有方法在所有地方都有效——以下是完整说明：
/paste 命令
最可靠的方法，适用于所有环境。
/paste
输入 /paste 并按回车。Hermes 会检查剪贴板中是否有图片并自动附加。此方法在所有环境中均有效，因为它显式调用了剪贴板后端，无需担心终端快捷键拦截。
Ctrl+V / Cmd+V（带括号粘贴）
当你粘贴包含图片的文本时，Hermes 会自动检测其中是否含有图片。该功能在以下情况生效：
- 剪贴板中同时包含 文本和图片（某些应用程序在复制时会同时放入两者）
- 你的终端支持带括号粘贴（大多数现代终端都支持）
如果剪贴板中 仅包含图片（无文本），在大多数终端中按 Ctrl+V 不会产生任何效果。终端只能粘贴文本——目前没有标准机制可粘贴二进制图像数据。请使用 /paste 或 Alt+V 替代。
Alt+V
Alt 键组合通常能绕过大多数终端模拟器（它们被当作 ESC + 键发送，而非被拦截）。按 Alt+V 可检查剪贴板中的图片。
在 VSCode 内置终端中无效。 VSCode 会拦截许多 Alt+键组合用于自身 UI。请改用 /paste。
Ctrl+V（原始模式 — 仅限 Linux）
在 Linux 桌面终端（GNOME Terminal、Konsole、Alacritty 等）中，Ctrl+V 并非粘贴快捷键——真正的粘贴快捷键是 Ctrl+Shift+V。因此，Ctrl+V 实际上会向应用程序发送一个原始字节流，Hermes 会捕获它来检查剪贴板。此方法仅在具有 X11 或 Wayland 剪贴板访问权限的 Linux 桌面终端上有效。
平台兼容性
| 环境 | /paste | Ctrl+V 文本+图片 | Alt+V | 备注 |
|---|---|---|---|---|
| macOS 终端 / 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 终端） | ✅ | ✅¹ | ✅ | 使用 powershell.exe — 无需额外安装 |
| VSCode 终端（本地） | ✅ | ✅¹ | ❌ | VSCode 拦截 Alt+键 |
| VSCode 终端（SSH 连接） | ❌² | ❌² | ❌ | 远程剪贴板不可访问 |
| SSH 终端（任意） | ❌² | ❌² | ❌² | 远程剪贴板不可访问 |
¹ 仅当剪贴板同时包含文本和图片时有效（纯图片剪贴板 = 无反应）
² 详见下方 SSH 与远程会话
平台特定设置
macOS
无需额外设置。 Hermes 使用内置的 osascript 读取剪贴板。为获得更快性能，可选安装 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 桌面系统（Ubuntu 22.04+、Fedora 34+）默认使用 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" = no display server
WSL2
无需额外配置。 Hermes 能自动检测 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 互操作功能的一部分，powershell.exe 默认可用。
剪贴板数据以 base64 编码的 PNG 格式通过 stdout 传输，无需路径转换或临时文件。
如果你正在运行 WSLg（WSL2 带 GUI 支持），Hermes 会优先尝试 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 会自动使用 Pillow（若已安装）或 ImageMagick 的 convert 命令将 BMP 转换为 PNG。
验证 WSL2 剪贴板访问权限
# 1. Check WSL detection
grep -i microsoft /proc/version
# 2. Check PowerShell is accessible
which powershell.exe
# 3. Copy an image, then check
powershell.exe -NoProfile -Command "Add-Type -AssemblyName System.Windows.Forms; [System.Windows.Forms.Clipboard]::ContainsImage()"
# Should print "True"
SSH 与远程会话
SSH 上无法使用剪贴板粘贴功能。 当你通过 SSH 登录远程机器时，Hermes CLI 在远程主机上运行。所有剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取的是其所在机器的剪贴板——即远程服务器，而非你的本地机器。你的本地剪贴板无法从远程侧访问。
SSH 的替代方案
-
上传图片文件 —— 将图片保存到本地，通过
scp、VSCode 文件资源管理器（拖放）或其他文件传输方式上传至远程服务器。然后通过路径引用该文件。(未来版本计划添加一个/attach <filepath>命令。) -
使用 URL —— 如果图片在线可访问，只需将 URL 粘贴到消息中。代理可通过
vision_analyze直接查看任意图片链接。 -
X11 转发 —— 使用
ssh -X连接以转发 X11。这能让远程机器上的xclip访问你的本地 X11 剪贴板。需要本地运行 X 服务器（macOS 上为 XQuartz，Linux 桌面自带）。对大图片速度较慢。 -
使用即时通讯平台 —— 通过 Telegram、Discord、Slack、WhatsApp 等平台向 Hermes 发送图片。这些平台原生支持图片上传，不受剪贴板/终端限制影响。
为什么终端无法粘贴图片
这是常见困惑来源，以下是技术解释：
终端是基于文本的接口。当你按下 Ctrl+V（或 Cmd+V）时，终端模拟器：
- 读取剪贴板中的文本内容
- 用 带括号粘贴 转义序列包裹
- 通过终端的文本流发送给应用程序
如果剪贴板中仅有图片而无文本，终端没有任何内容可发送。目前没有标准的终端转义序列用于二进制图像数据。终端只会什么也不做。
这就是为什么 Hermes 使用独立的剪贴板检查机制：不依赖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别的工具（osascript、powershell.exe、xclip、wl-paste）来独立读取剪贴板。
支持的模型
图像粘贴功能适用于任何具备视觉能力的模型。图像以 OpenAI 视觉内容格式的 base64 编码数据 URL 形式发送：
{
"type": "image_url",
"image_url": {
"url": "data:image/png;base64,..."
}
}
大多数现代模型均支持此格式，包括 GPT-4 Vision、Claude（带视觉）、Gemini，以及通过 OpenRouter 提供服务的开源多模态模型。