图片不该总由主 Agent 直接读取
密集页面、批量截图与复杂版面会持续占用视觉输入。视觉观察独立后，主 Agent 的上下文可以留给判断、组织和任务推进。
Duhai Vision 实验：把视觉理解变成可插拔能力
它不是新的大模型，而是视觉任务的编排接口：先让合适的视觉模型观察，再让 Codex 负责结构化整理、推理与后续行动。
同一入口，切换不同视觉提供方
综合视觉理解、整页 OCR、表格版面和普通界面检查可以按任务走不同路线，下游仍接收统一结构。
把模型选择变成系统能力
不绑定单一模型；保存观察、用量和不确定性；让视觉结果能够被校验、复用和审计。
工作链路
视觉模型看见，Codex 理解并组织；两层各自承担擅长的工作。
任务类型、隐私边界与目标结构先被明确。
综合理解走 VLM；长文档与版面 OCR 可走专用 OCR-VL。
保留置信度、不可读项和用量，不把推断冒充原文。
把视觉观察接回 Schema、研究流程、代码或文档任务。
输入方法先判断视觉是否真有必要
有 DOM、文本或数据源时先用非视觉证据；需要界面状态、版面、图表或图像内容时才进入视觉层。
路由方法任务类型决定提供方
不是比较谁永远更强，而是根据综合理解、整页 OCR、批量筛选和隐私要求选择路线。
观察方法输出事实、置信度与不可读项
视觉结果是观察层，不是最终真相；高影响结论必须与原图、DOM、文本或代码交叉验证。
编排方法视觉只负责看，Codex 负责把事情做完
Schema 整理、因果判断、任务推进、文件修改与最终责任留在主 Agent。
任务路由
选择任务，观察路线为什么发生变化。
章印、人物地点与上下文需要综合视觉理解
关键不是把字全部抄出，而是同时区分可见原文、结构关系与不确定推断。
经验先定义字段，再看图
没有目标 Schema，视觉模型容易返回漂亮但无法评分的描述。
纪律原文、复原、推断分开
不可读内容可以推断，但必须保留依据和不确定性。
验证关键数字与实体单独核对
金额、日期、编号、人物和章印的错误权重通常高于一般措辞。
长文本、分栏与表格优先交给文档视觉解析
阅读顺序和版面结构先被恢复，再交给 Codex 生成统一字段。
经验版面先于全文
栏序和表格关系错了，即使字符大多正确，整页语义仍可能失真。
路由吞吐与综合理解分开选择
长文档 OCR 看结构恢复；章印与上下文任务更看综合视觉能力。
边界免费额度不等于技术消耗为零
计费、提供方 usage 与整链路 Token 必须保持口径标签。
界面观察只提取页面状态和风险信号
按钮、空状态、报错与危险操作被整理成观察，不替代 DOM 与代码验证。
观察页面身份、状态、警告、危险动作
视觉层先回答“屏幕上有什么”，不直接决定是否点击。
交叉验证视觉发现，DOM 证实
截断、重叠和可见状态可以由截图发现，再用几何与代码核对。
安全读信息与发信息分开
看见表单不等于获得提交、上传或发送敏感数据的授权。
先压缩观察规模，再定位值得深看的一张
批量任务使用索引、缩略联系表和结构化返回，避免逐张盲目消耗上下文。
规模控制先筛选，再精读
联系表承担初选，原图只用于高价值候选与歧义核验。
接口返回索引，不返回模糊位置
编号让选择可以映射回原文件，并留下可复核轨迹。
预算第二次视觉调用解决具体歧义
重试、裁切和放大应围绕一个高影响问题，而不是重新看全部内容。
这里说明思想
实验结果展示 ↗
为什么要做这个 Skill，以及它改变了什么
Duhai Vision 实验把“直接看图”改造成“准备视觉输入—选择提供方—保存观察—交给 Codex 编排”的工程链。