介绍
# Vision Sandbox 🔭
利用 Gemini 原生的代码执行能力高精度地分析图像。模型会在 Google 托管的沙箱中编写并运行 Python 代码以验证视觉数据，非常适合 UI 审查、空间定位和视觉推理。
## 安装
```bash clawhub install vision-sandbox ```
## 用法
```bash uv run vision-sandbox --image "path/to/image.png" --prompt "Identify all buttons and provide [x, y] coordinates." ```
## 模式库
### 📍 空间定位
要求模型查找特定项目并返回坐标。
* **提示词：** “在此截图中定位‘提交’（Submit）按钮。使用代码执行来验证其中心点，并以 [0, 1000] 的比例返回 [x, y] 坐标。”
### 🧮 视觉数学
要求模型根据图像进行计数或计算。
* **提示词：** “统计列表中的项目数量。如果能看到价格，请使用 Python 对它们的值求和。”
### 🖥️ UI 审查
检查布局和可读性。
* **提示词：** “检查标题文本是否与任何图标重叠。使用沙箱计算边界框的交集。”
### 🖐️ 计数与逻辑
通过代码验证解决视觉计数任务。
* **提示词：** “统计这只手上的手指数量。使用代码执行识别每个手指的边界框并返回总数。”
## 与 OpenCode 集成
此技能旨在为像 OpenCode 这样的自动化编码代理提供**视觉定位**。
- **步骤 1：** 使用 `vision-sandbox` 提取 UI 元数据（坐标、尺寸、颜色）。 - **步骤 2：** 将 JSON 输出传递给 OpenCode，以生成或修复 CSS/HTML。
## 配置
- **GEMINI_API_KEY**：必需的环境变量。 - **模型**：默认为 `gemini-3-flash-preview`。