视觉与图片粘贴
Hermes Agent 支持多模态视觉（Multimodal Vision）——你可以直接从剪贴板粘贴图片到 CLI 中，让 Agent 分析、描述或处理它们。图片以 base64 编码的内容块发送给模型，因此任何支持视觉的模型都可以处理它们。
工作原理
- 复制一张图片到剪贴板（截图、浏览器图片等）
- 使用以下任一方式附加图片
- 输入你的问题并按 Enter
- 图片会显示为输入框上方的
[📎 Image #1]徽章 - 提交时，图片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。
图片会保存到 ~/.hermes/images/ 目录，以时间戳命名的 PNG 文件。
粘贴方式
附加图片的方式取决于你的终端环境。并非所有方式在所有环境下都可用——以下是完整说明：
/paste 命令
最可靠的方式，所有环境均可用。
/paste
输入 /paste 并按 Enter。Hermes 会检查剪贴板中是否有图片并附加它。这种方式在所有环境中都能工作，因为它直接调用剪贴板后端——无需担心终端按键拦截问题。
Ctrl+V / Cmd+V（括号粘贴）
当你粘贴的文本与图片同时存在于剪贴板时，Hermes 会自动检查是否有图片。这在以下情况有效：
- 你的剪贴板同时包含文本和图片（某些应用在复制时会同时放入两者）
- 你的终端支持括号粘贴（Bracketed Paste，大多数现代终端都支持）
如果你的剪贴板只有图片（没有文本），Ctrl+V 在大多数终端中不会起任何作用。终端只能粘贴文本——没有标准的机制来粘贴二进制图片数据。请使用 /paste 或 Alt+V 代替。
Alt+V
Alt 组合键在大多数终端模拟器中会直接传递（它们被发送为 ESC + 键，而不是被拦截）。按 Alt+V 检查剪贴板中是否有图片。
在 VSCode 集成终端中不可用。 VSCode 会拦截许多 Alt+键组合用于自己的 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 不是粘贴快捷键——Ctrl+Shift+V 才是。因此 Ctrl+V 会发送一个原始字节给应用程序，Hermes 捕获它来检查剪贴板。这仅在具有 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 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（仅图片的剪贴板不会触发任何操作） ² 参见下方 SSH 与远程会话
平台特定配置
macOS
无需额外配置。 Hermes 使用 osascript（macOS 内置）读取剪贴板。如需更快的性能，可选择性安装 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+）通常默认使用 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" = 无显示服务器
WSL2
无需额外配置。 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。这是 WSL2 Windows 互操作内置的功能——powershell.exe 默认可用。
剪贴板数据通过 stdout 以 base64 编码的 PNG 格式传输，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 会先尝试 PowerShell 路径，然后回退到 wl-paste。WSLg 的剪贴板桥接仅支持 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
# 1. 检查 WSL 检测
grep -i microsoft /proc/version
# 2. 检查 PowerShell 是否可用
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()"
# 应该输出 "True"
SSH 与远程会话
剪贴板粘贴在 SSH 连接中不可用。 当你通过 SSH 连接到远程机器时，Hermes CLI 运行在远程主机上。所有剪贴板工具（xclip、wl-paste、powershell.exe、osascript）读取的是它们运行所在机器的剪贴板——也就是远程服务器，而不是你的本地机器。你的本地剪贴板从远程端是不可访问的。
SSH 环境的替代方案
-
上传图片文件——在本地保存图片，通过
scp、VSCode 的文件资源管理器（拖放）或任何文件传输方式上传到远程服务器。然后通过路径引用它。（/attach <filepath>命令计划在未来版本中推出。） -
使用 URL——如果图片可以在线访问，直接在消息中粘贴 URL。Agent 可以使用
vision_analyze直接查看任何图片 URL。 -
X11 转发——使用
ssh -X连接以转发 X11。这让远程机器上的xclip可以访问你本地的 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）。对大图片传输较慢。 -
使用消息平台——通过 Telegram、Discord、Slack 或 WhatsApp 发送图片给 Hermes。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 Ctrl+V（或 Cmd+V）时，终端模拟器会：
- 读取剪贴板中的文本内容
- 将其包裹在括号粘贴（Bracketed Paste）转义序列中
- 通过终端的文本流发送给应用程序
如果剪贴板只包含图片（没有文本），终端没有任何内容可以发送。没有标准的终端转义序列用于二进制图片数据。终端什么也不做。
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）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 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,..."
}
}
大多数现代模型都支持此格式，包括 GPT-4 Vision、Claude（含视觉）、Gemini，以及通过 OpenRouter 服务的开源多模态模型。
📝 本文由 AI 翻译，如有疑问请参考英文原版