Merge pull request #148 from itmisx/fix/ocr-repeat-loop-146

🐛 fix: ocr-repeat-loop

Author: itmisx

agent/image_render.go

@@ -208,6 +208,49 @@ func ocrTargetsInlinedImage(argsJSON string, convo []ChatMessage) bool {
 	return false
 }
 
+// priorOCRResult 在历史里查这个图片路径是否「已经 OCR 过」:命中则返回上次结果文本 + true。
+//
+// 用途:用户在提示词里给了图片路径(纯文本,赖在历史里删不掉),模型每轮看到路径就反复调 OCR,
+// 用户说"别识别了"也拦不住(issue #146)。据此短路:第二次起不再真跑 OCR,直接回上次结果。
+//
+// 关联方式:OCR 的目标路径在 assistant 消息的 tool_calls[].arguments 里,而结果在对应的 tool 消息正文里,
+// 两者靠 tool_call_id 配对。先建 id→path 映射(只收 OCR 调用),再找该路径对应的 OCR 结果消息。
+func priorOCRResult(argsJSON string, convo []ChatMessage) (string, bool) {
+	var args struct {
+		Path string `json:"path"`
+	}
+	if json.Unmarshal([]byte(argsJSON), &args) != nil {
+		return "", false
+	}
+	target := filepath.Clean(strings.TrimSpace(args.Path))
+	if target == "" {
+		return "", false
+	}
+	ocrCallPath := map[string]string{} // tool_call_id → OCR 目标路径
+	for _, m := range convo {
+		for _, tc := range m.ToolCalls {
+			if tc.Function.Name != "OCR" {
+				continue
+			}
+			var a struct {
+				Path string `json:"path"`
+			}
+			if json.Unmarshal([]byte(tc.Function.Arguments), &a) != nil {
+				continue
+			}
+			if p := filepath.Clean(strings.TrimSpace(a.Path)); p != "" {
+				ocrCallPath[tc.ID] = p
+			}
+		}
+	}
+	for _, m := range convo {
+		if m.Role == "tool" && ocrCallPath[m.ToolCallID] == target {
+			return m.Content, true
+		}
+	}
+	return "", false
+}
+
 // isImageInputUnsupported 判断错误是否是"该端点/模型不接受图片输入"(发了 base64 才会撞)。
 // 命中则上层把该模型降级为无视觉、改走 OCR 重发。匹配宽松些以兼容各家措辞。
 //   - MiMo: HTTP 404 "No endpoints found that support image input"

agent/image_render_test.go

@@ -0,0 +1,46 @@
+package agent
+
+import "testing"
+
+// priorOCRResult 用于「同一图片路径已 OCR 过就别重复」的短路判定(issue #146)。
+func TestPriorOCRResult(t *testing.T) {
+	convo := []ChatMessage{
+		{Role: "user", Content: "图在 /tmp/a.png,别识别了"},
+		{Role: "assistant", ToolCalls: []ToolCall{
+			{ID: "c1", Function: ToolCallFunc{Name: "OCR", Arguments: `{"path":"/tmp/a.png"}`}},
+		}},
+		{Role: "tool", ToolCallID: "c1", Name: "OCR", Content: "(图片中未识别到文字)"},
+	}
+
+	t.Run("同一路径命中并回上次结果", func(t *testing.T) {
+		prev, ok := priorOCRResult(`{"path":"/tmp/a.png"}`, convo)
+		if !ok || prev != "(图片中未识别到文字)" {
+			t.Fatalf("应命中并返回上次结果,got %q ok=%v", prev, ok)
+		}
+	})
+
+	t.Run("等价路径经Clean后仍命中", func(t *testing.T) {
+		if _, ok := priorOCRResult(`{"path":"/tmp/./a.png"}`, convo); !ok {
+			t.Fatalf("等价路径应命中")
+		}
+	})
+
+	t.Run("不同路径不命中", func(t *testing.T) {
+		if _, ok := priorOCRResult(`{"path":"/tmp/b.png"}`, convo); ok {
+			t.Fatalf("不同路径不应命中")
+		}
+	})
+
+	t.Run("无历史OCR不命中", func(t *testing.T) {
+		fresh := []ChatMessage{{Role: "user", Content: "hi"}}
+		if _, ok := priorOCRResult(`{"path":"/tmp/a.png"}`, fresh); ok {
+			t.Fatalf("无先前 OCR 不应命中")
+		}
+	})
+
+	t.Run("坏参数不panic不命中", func(t *testing.T) {
+		if _, ok := priorOCRResult(`not json`, convo); ok {
+			t.Fatalf("坏参数不应命中")
+		}
+	})
+}

agent/llm.go

@@ -889,6 +889,13 @@ func StartStream(
 							Output:  "你是视觉模型,这张图已经以图片形式内联在当前对话里了,请直接查看图片作答 —— 不要调用 OCR,也不要用 ls/find 去文件系统查找图片文件。",
 							Success: false,
 						}
+					} else if prev, done := priorOCRResult(tc.Function.Arguments, convo); done {
+						// 同一图片路径已 OCR 过 → 别重复:路径赖在历史里,模型会反复 OCR、用户喊停也拦不住(issue #146)。
+						// 回上次结果 + 硬性提示别再调,Success=false 让 maxNoProgressRounds 卡死断路器能介入。
+						result = tools.ToolResult{
+							Output:  "这张图之前已经 OCR 过了,结果是:\n" + prev + "\n\n请勿对同一张图重复 OCR。若仍需要图中信息,请直接询问用户图里写了什么,或让用户改用支持视觉的模型。",
+							Success: false,
+						}
 					} else {
 						result = executeTool(tc, mode, &lastFile)
 					}

tools/img_ocr.go

@@ -42,7 +42,13 @@ func ImgOCR(args map[string]any) ToolResult {
 		return ToolResult{Output: fmt.Sprintf("OCR 失败: %v", err), Success: false}
 	}
 	if strings.TrimSpace(text) == "" {
-		return ToolResult{Output: "(图片中未识别到文字)", Success: true}
+		// 没识别到文字必须算「失败」:否则非视觉模型对一张读不出字的图反复 OCR,每轮都 Success=true
+		// 会把 maxNoProgressRounds 卡死断路器一直归零 → 无限重试(issue #146)。返回失败让断路器能介入,
+		// 并明确叫模型别再对同一张图 OCR。
+		return ToolResult{
+			Output:  "(图片中未识别到文字)。请勿对同一张图重复 OCR;如需图中内容,请让用户改用支持视觉的模型,或直接询问用户图里写了什么。",
+			Success: false,
+		}
 	}
 	return ToolResult{Output: text, Success: true}
 }

tui/image_attach_test.go

@@ -0,0 +1,59 @@
+package tui
+
+import (
+	"reflect"
+	"testing"
+)
+
+// reconcileAttachedImages 按输入框残留的 [Image #N] 占位符裁剪待发图片列表(issue #146:删不掉)。
+func TestReconcileAttachedImages(t *testing.T) {
+	imgs := []string{"/a.png", "/b.png", "/c.png"} // #1 #2 #3
+
+	cases := []struct {
+		name string
+		text string
+		want []string
+	}{
+		{
+			name: "全部保留",
+			text: "看看 [Image #1] [Image #2] [Image #3]",
+			want: []string{"/a.png", "/b.png", "/c.png"},
+		},
+		{
+			name: "删中间一张",
+			text: "看看 [Image #1] [Image #3]",
+			want: []string{"/a.png", "/c.png"},
+		},
+		{
+			name: "删首张",
+			text: "[Image #2] [Image #3]",
+			want: []string{"/b.png", "/c.png"},
+		},
+		{
+			name: "全删光",
+			text: "纯文字,占位符都删了",
+			want: []string{},
+		},
+		{
+			name: "顺序无关,按编号对应",
+			text: "[Image #3] 在前 [Image #1] 在后",
+			want: []string{"/a.png", "/c.png"},
+		},
+	}
+
+	for _, c := range cases {
+		t.Run(c.name, func(t *testing.T) {
+			got := reconcileAttachedImages(c.text, imgs)
+			if !reflect.DeepEqual(got, c.want) {
+				t.Fatalf("reconcileAttachedImages(%q) = %v, want %v", c.text, got, c.want)
+			}
+		})
+	}
+}
+
+func TestReconcileAttachedImages_Empty(t *testing.T) {
+	// 没有附件时原样返回,不 panic。
+	if got := reconcileAttachedImages("随便什么 [Image #1]", nil); len(got) != 0 {
+		t.Fatalf("空附件应返回空,got %v", got)
+	}
+}

tui/model.go

@@ -951,6 +951,9 @@ func (m *model) applyStaleShadow() {
 
 func (m model) submitUserInput(input string) (model, tea.Cmd) {
 	input = strings.TrimSpace(input)
+	// 删掉输入框里的 [Image #N] = 想移除那张图:据残留占位符裁剪待发图片列表,
+	// 否则删了占位符图却照发、非视觉模型还会反复 OCR(issue #146 的「删不掉」)。
+	m.attachedImagePaths = reconcileAttachedImages(input, m.attachedImagePaths)
 	if input == "" && len(m.attachedImagePaths) == 0 {
 		return m, nil
 	}
@@ -2919,6 +2922,30 @@ func (m *model) insertImagePlaceholder(n int) {
 	m.input.InsertString(fmt.Sprintf(" [Image #%d] ", n))
 }
 
+// reconcileAttachedImages 按输入框文本里还残留哪些 [Image #N] 占位符,裁剪待发图片列表。
+// 占位符编号 N 对应 attached[N-1](insertImagePlaceholder 插入时 N = 该图在列表里的序号,
+// 列表只增不减直到发送,故编号与下标始终对齐)。用户删掉某个 [Image #N] 文本 = 想移除那张图,
+// 这里把没了占位符的图从待发列表剔除 —— 让「删占位符」真正等于「不发那张图」(issue #146)。
+func reconcileAttachedImages(text string, attached []string) []string {
+	if len(attached) == 0 {
+		return attached
+	}
+	present := make(map[int]bool)
+	for _, mt := range imagePlaceholderRe.FindAllStringSubmatch(text, -1) {
+		var n int
+		if _, err := fmt.Sscanf(mt[1], "%d", &n); err == nil {
+			present[n] = true
+		}
+	}
+	kept := make([]string, 0, len(attached))
+	for i, p := range attached {
+		if present[i+1] {
+			kept = append(kept, p)
+		}
+	}
+	return kept
+}
+
 // roleKind 把内部 role 名映射成 chatLog 段 kind。
 // 决定渲染时套哪根色条 — 不再在 raw 里加任何 "**emoji 名**: " 前缀,
 // 身份完全由色条承载,正文跟用户输入保持原貌。