Astreus

Visión

Análisis de imágenes y procesamiento de documentos para interacciones multimodales Aprende los patrones de configuración, las APIs y los ejemplos prácticos...

Análisis de imágenes y procesamiento de documentos para interacciones multimodales

Descripción general

El sistema Vision permite que los agentes procesen y analicen imágenes, proporcionando capacidades de IA multimodal para interacciones más ricas. Soporta múltiples formatos de imagen, ofrece varios modos de análisis y se integra sin problemas con los proveedores OpenAI, Claude, Gemini y Ollama local para opciones de despliegue flexibles.

Habilitar la visión

Habilita las capacidades de visión para un agente estableciendo la opción vision en true:

import { Agent } from '@astreus-ai/astreus';

const agent = await Agent.create({
  name: 'VisionAgent',
  model: 'gpt-4o',  // Vision-capable model
  vision: true      // Enable vision capabilities (default: false)
});

Sistema de archivos adjuntos

Astreus soporta un sistema de archivos adjuntos intuitivo para trabajar con imágenes:

// Clean, modern attachment API
const response = await agent.ask("What do you see in this image?", {
  attachments: [
    { type: 'image', path: '/path/to/image.jpg', name: 'My Photo' }
  ]
});

El sistema de archivos adjuntos automáticamente:

  • Detecta el tipo de archivo y selecciona las herramientas adecuadas
  • Enriquece el prompt con información del adjunto
  • Habilita el uso de herramientas cuando hay adjuntos presentes

Capacidades de visión

El sistema de visión ofrece tres capacidades principales a través de herramientas integradas:

1. Análisis general de imágenes

Analiza imágenes con prompts personalizados y niveles de detalle configurables:

// Using attachments (recommended approach)
const response = await agent.ask("Please analyze this screenshot and describe the UI elements", {
  attachments: [
    { type: 'image', path: '/path/to/screenshot.png', name: 'UI Screenshot' }
  ]
});

// Using the analyze_image tool through conversation
const response2 = await agent.ask("Please analyze the image at /path/to/screenshot.png and describe the UI elements");

// Direct method call
const analysis = await agent.analyzeImage('/path/to/image.jpg', {
  prompt: 'What UI elements are visible in this interface?',
  detail: 'high',
  maxTokens: 1500
});

2. Descripción de imágenes

Genera descripciones estructuradas para diferentes casos de uso:

// Accessibility-friendly description
const description = await agent.describeImage('/path/to/image.jpg', 'accessibility');

// Available styles:
// - 'detailed': Comprehensive description of all visual elements
// - 'concise': Brief description of main elements  
// - 'accessibility': Screen reader-friendly descriptions
// - 'technical': Technical analysis including composition and lighting

3. Extracción de texto (OCR)

Extrae y transcribe texto de las imágenes:

// Extract text with language hint
const text = await agent.extractTextFromImage('/path/to/document.jpg', 'english');

// The system maintains original formatting and structure
console.log(text);

Formatos soportados

El sistema de visión soporta estos formatos de imagen:

  • JPEG (.jpg, .jpeg)
  • PNG (.png)
  • GIF (.gif)
  • BMP (.bmp)
  • WebP (.webp)

Fuentes de entrada

1

Rutas de archivo

Analiza imágenes desde el sistema de archivos local:

const result = await agent.analyzeImage('/path/to/image.jpg');
2

Datos en Base64

Analiza imágenes a partir de datos codificados en base64:

const base64Image = 'data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQ...';
const result = await agent.analyzeImageFromBase64(base64Image);

Configuración

Configuración del modelo de visión

Especifica el modelo de visión directamente en la configuración del agente:

const agent = await Agent.create({
  name: 'VisionAgent',
  model: 'gpt-4o',
  visionModel: 'gpt-4o',  // Specify vision model here
  vision: true
});

Variables de entorno

# API keys (auto-detected based on model)
OPENAI_API_KEY=your_openai_key               # For OpenAI models
OPENAI_VISION_API_KEY=your_openai_key        # Dedicated vision API key (takes priority)
ANTHROPIC_API_KEY=your_anthropic_key         # For Claude models
ANTHROPIC_VISION_API_KEY=your_anthropic_key  # Dedicated vision API key (takes priority)
GEMINI_API_KEY=your_gemini_key               # For Gemini models
GEMINI_VISION_API_KEY=your_gemini_key        # Dedicated vision API key (takes priority)

# Ollama configuration (local)
OLLAMA_BASE_URL=http://localhost:11434       # Default if not set

El sistema de visión selecciona automáticamente el proveedor adecuado según el visionModel especificado en la configuración del agente.

Opciones de análisis

Configura el comportamiento del análisis con estas opciones:

interface AnalysisOptions {
  prompt?: string;                    // Custom analysis prompt
  maxTokens?: number;                 // Response length limit (default: 1000)
  detail?: 'low' | 'high' | 'auto';   // Analysis detail level (OpenAI only)
}

Ejemplos de uso

Análisis de capturas de pantalla

const agent = await Agent.create({
  name: 'UIAnalyzer',
  model: 'gpt-4o',
  vision: true
});

// Analyze a UI screenshot
const analysis = await agent.analyzeImage('/path/to/app-screenshot.png', {
  prompt: 'Analyze this mobile app interface. Identify key UI components, layout structure, and potential usability issues.',
  detail: 'high'
});

console.log(analysis);

Procesamiento de documentos

// Extract text from scanned documents
const documentText = await agent.extractTextFromImage('/path/to/scanned-invoice.jpg', 'english');

// Generate accessible descriptions
const accessibleDesc = await agent.describeImage('/path/to/chart.png', 'accessibility');

Conversaciones multimodales

// Using attachments for cleaner API
const response = await agent.ask("I'm getting an error. Can you analyze this screenshot and help me fix it?", {
  attachments: [
    { type: 'image', path: '/Users/john/Desktop/error.png', name: 'Error Screenshot' }
  ]
});

// Multiple attachments
const response2 = await agent.ask("Compare these UI mockups and suggest improvements", {
  attachments: [
    { type: 'image', path: '/designs/mockup1.png', name: 'Design A' },
    { type: 'image', path: '/designs/mockup2.png', name: 'Design B' }
  ]
});

// Traditional approach (still works)
const response3 = await agent.ask(
  "Please analyze the error screenshot at /Users/john/Desktop/error.png and suggest how to fix the issue"
);

Comparación de proveedores

FuncionalidadOpenAI (gpt-4o)Claude (claude-3-5-sonnet)Gemini (gemini-1.5-pro)Ollama (llava)
Calidad de análisisExcelenteExcelenteExcelenteBuena
Velocidad de procesamientoRápidaRápidaRápidaVariable
CostePago por usoPago por usoPago por usoGratis (local)
PrivacidadEn la nubeEn la nubeEn la nubeProcesamiento local
Niveles de detalleBajo/Alto/AutoEstándarEstándarEstándar
Soporte de idiomasExtensoExtensoExtensoBueno

Proveedor OpenAI

  • Ideal para: aplicaciones en producción que requieren alta precisión
  • Modelo por defecto: gpt-4o
  • Funciones: control del nivel de detalle, excelente reconocimiento de texto

Proveedor Claude

  • Ideal para: análisis matizado y descripciones detalladas
  • Modelo por defecto: claude-3-5-sonnet-20241022
  • Funciones: fuerte razonamiento, excelente comprensión del contexto

Proveedor Gemini

  • Ideal para: tareas multimodales y análisis de documentos
  • Modelo por defecto: gemini-1.5-pro
  • Funciones: soporte de contexto largo, adecuado para imágenes complejas

Proveedor Ollama (local)

  • Ideal para: aplicaciones sensibles a la privacidad o desarrollo
  • Modelo por defecto: llava
  • Funciones: procesamiento local, sin costes de API, capacidad sin conexión

Procesamiento por lotes

Procesa múltiples imágenes de forma eficiente:

const images = [
  '/path/to/image1.jpg',
  '/path/to/image2.png',
  '/path/to/image3.gif'
];

// Process all images in parallel
const results = await Promise.all(
  images.map(imagePath => 
    agent.describeImage(imagePath, 'concise')
  )
);

console.log('Analysis results:', results);

// Or use task attachments for batch processing
const batchTask = await agent.createTask({
  prompt: 'Analyze all these images and provide a comparative report',
  attachments: images.map(path => ({
    type: 'image',
    path,
    name: path.split('/').pop()
  }))
});

const batchResult = await agent.executeTask(batchTask.id);

Herramientas de visión integradas

Cuando la visión está habilitada, estas herramientas están disponibles automáticamente:

analyze_image

  • Parámetros:
    • image_path (string, obligatorio): ruta al archivo de imagen
    • prompt (string, opcional): prompt de análisis personalizado
    • detail (string, opcional): nivel de detalle 'low' o 'high'

describe_image

  • Parámetros:
    • image_path (string, obligatorio): ruta al archivo de imagen
    • style (string, opcional): estilo de descripción ('detailed', 'concise', 'accessibility', 'technical')

extract_text_from_image

  • Parámetros:
    • image_path (string, obligatorio): ruta al archivo de imagen
    • language (string, opcional): indicación de idioma para mejorar la precisión del OCR

Tipos de respuesta

Los métodos de visión devuelven respuestas en forma de cadena con los resultados del análisis.

Respuesta de analyze_image

El análisis de imágenes devuelve una cadena descriptiva basada en tu prompt:

const analysis = await agent.analyzeImage('/path/to/office.jpg', {
  prompt: "What objects are in this image and how is the space organized?",
  detail: "high"
});

// Response: string
"The image shows a modern office workspace with a MacBook Pro laptop, wireless keyboard, and mouse on a wooden desk. To the left is a coffee mug and a notebook. The desk is positioned near a window with natural lighting. The space features a minimalist organization with cable management and a small potted plant."

Respuesta de describeImage

Describeimage devuelve una cadena de descripción formateada:

const description = await agent.describeImage('/path/to/product.jpg');

// Response: string
"A professional product photograph featuring a stainless steel water bottle with a matte black finish. The bottle has a wide mouth opening and is photographed against a white background with soft studio lighting creating subtle highlights along the curved surfaces."

Respuesta de extractTextFromImage

El OCR devuelve el texto extraído como una cadena:

const text = await agent.extractTextFromImage('/path/to/document.png', {
  language: 'en'
});

// Response: string
"INVOICE\nDate: January 15, 2024\nInvoice #: INV-2024-001\n\nBill To:\nAcme Corporation\n123 Main Street\nNew York, NY 10001\n\nDescription          Quantity    Price    Total\nProfessional Services    8 hrs    $150    $1,200\nConsulting Fee           1        $500    $500\n\nSubtotal: $1,700\nTax (8%): $136\nTotal: $1,836"

Respuesta de análisis de imagen desde Base64

El análisis de imágenes en base64 también devuelve una cadena:

const base64Image = "data:image/png;base64,iVBORw0KG...";
const result = await agent.analyzeImageFromBase64(base64Image, {
  prompt: "Identify the main subject and mood of this image"
});

// Response: string
"The main subject is a sunset landscape with mountains in the background. The mood is serene and peaceful, with warm orange and pink tones dominating the sky. The composition creates a sense of tranquility and natural beauty."

Última actualización: 6 de julio de 2026