當 AI Agent 遭遇視覺盲區：「對不起，我看不到你發的圖片」
過去一年裡，Cursor、Claude Code、Codex 等 AI 程式設計助手深刻重構了軟體工程的生產力範式。
但幾乎每個開發者都踩過這樣一個惱人的坑：
當你遇到一個複雜的介面樣式 Bug，或者拿到設計師給的一張精美 UI 原型圖，隨手截圖發給 Agent，滿心期待它直接給出修復補丁或生成 Tailwind 程式碼時，終端裡卻冷冷地彈出一句話：
"I cannot view images in this terminal environment. Please provide the text or code directly."
文字大模型在推理與邏輯生成上極其強大，但在無介面的開發終端裡，它們被剝奪了「眼睛」。
破局利器：Model Context Protocol (MCP) 視覺標準化
為了解決大模型與外部工具的連線摩擦，Anthropic 開源了 Model Context Protocol (MCP) 協議。它就像 AI 世界的 USB-C 介面，為 AI 代理提供了標準化的外部資料感知與工具呼叫規範。
基於此，我開源了 Shadow Vision (影瞳)，一個專門為 AI Agent 提供多模態視覺感知的 MCP 伺服器。
通過在 Agent 設定檔中加上一行命令，你的 Cursor、Claude Code 便立刻擁有了六大結構化視覺工具：
vision_ocr：精準識別報錯彈窗、控制台截圖、票據及多列複雜表格中的文字；vision_inspect：深度診斷介面渲染問題，解釋圖表、報錯原因及視覺異常；vision_annotate：讀懂畫面的紅框圈選、箭頭指示與醒目標示下劃線，精確鎖定目標區域；vision_layout：將參考設計圖遞迴分解為元素層級樹、間距與配色規範；vision_reconstruct：核心大招——直接將一張 UI 截圖逆向重構為乾淨優雅的 React / HTML / Tailwind 原始碼草稿；vision_compare：比對修改前後的兩張視覺截圖，自動找出畫素級樣式差異與迴歸 Bug。
拒絕程式碼洩露：可插拔後端與本機 Ollama 離線部署
企業開發者最大的擔憂是商業機密與原始碼截圖洩露。很多線上視覺 API 要求將圖片傳至公網，這在嚴格的企業內網政策下絕對禁止。
Shadow Vision 在底層架構上採用了完全解耦的可插拔視覺後端（Pluggable Backends）：
- 本機離線模式（Local-First）：原生支援本機執行的 Ollama（一鍵掛載開源視覺大模型如 Qwen2-VL、LLaVA）。整套視覺推理與影像資料完全執行在本機 GPU/CPU 上，不向外網傳送任何一位元組網路資料；
- 雲端強力模式（Cloud Pro）：當需要極高精度的視覺推理時，可自由切換至 Anthropic Claude 3.5 Sonnet 或 Google Gemini 多模態模型；
- 自建相容閘道器：支援任何遵循 OpenAI-compatible 協議的自建叢集（如 LM Studio、vLLM）。
極速設定示例（Claude Desktop / Cursor）：
json
{
"mcpServers": {
"shadow-vision": {
"command": "uv",
"args": ["run", "shadow-vision"],
"env": {
"VISION_BACKEND": "ollama",
"OLLAMA_MODEL": "qwen2-vl:7b"
}
}
}
}讓只會讀文字的 AI 睜開雙眼看懂螢幕，這是人機協作程式設計走向下一代真正具身化智慧的關鍵一步。