不调多模态，纯文本大模型如何给系统操作配上截图

当大模型只会吐文字，怎么让它"看懂"你的系统，还能边回答边截出带红框标注的操作图。 一句话讲清楚 ：不用多模态模型，不用 Playwright 连浏览器，纯前端 + 一个文本大模型，就能让助手"边