mcpField
V
vision

vision

github.com/kototエージェントワークフロー313.5k 回インストール17 週間前に更新
リポジトリ

vision について

vision は、画像を直接見られないエージェント向けの画像理解スキルです。スクリプトから設定可能な OpenAI 互換のビジョンモデルを呼び出し、OCR やスクリーンショット、図表の分析結果をテキストで返します。

主な機能

  1. 01設定可能なビジョンモデルの呼び出し
  2. 02ローカルファイルと HTTP URL に対応
  3. 03画像内テキストの抽出
  4. 04スクリーンショット、図表、文書の分析
  5. 05Python 標準ライブラリのみを使用

活用シーン

  1. 01レシートやスキャン文書の文字起こし
  2. 02エラー画面の原因確認
  3. 03UI モックや図表の把握

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/kotot/vision --skill vision

インストール後、Claude Code で/visionを入力して読み込まれたか確認します。

同梱ファイルscripts/see.py

詳細

ビジョン（画像理解の委任）

ネイティブの視覚機能はありませんが、バンドルされたスクリプトを実行すれば、設定可能な OpenAI 互換のビジョンモデルに画像を送信し、テキストの回答を受け取ることで、画像を「見る」ことができます。

使用する場面

画像の内容を理解する必要があり、画像を直接確認できない場合は、いつでもこのスキルを使用してください。たとえば、次のような場合です。

  • ユーザーが画像／スクリーンショット／写真をアップロードまたは提示し、その内容を尋ねている。
  • 画像内のテキストを読み取る必要がある（OCR）。
  • スクリーンショットからエラーを診断する必要がある。
  • UI のモックアップ、図、グラフ、またはスキャンされた文書を理解する必要がある。
  • 画像に表示された内容を、コードや期待される出力と比較する必要がある。

使用方法

Bash ツールでスクリプトを実行します。画像（ローカルパスまたは http(s) URL）と、知りたい内容を説明する明確で具体的な指示を渡してください。

python3 "$CLAUDE_SKILL_DIR/scripts/see.py" <image_path_or_url> "your question"

環境で $CLAUDE_SKILL_DIR が設定されていない場合は、このスキルフォルダーへの相対パスを使用してください。たとえば、スキルのディレクトリから python3 scripts/see.py ... を実行するか、スキルのインストール先の絶対パスを使用します。

例：

# Describe an image
python3 scripts/see.py ./photo.jpg "Describe this image in detail"

# OCR — extract text
python3 scripts/see.py ./receipt.png "Transcribe all text exactly, preserving layout"

# Diagnose an error screenshot
python3 scripts/see.py ./error.png "What error is shown and what is the likely cause?"

# Read a chart into structured data
python3 scripts/see.py ./chart.png "Extract every series, label, and value as a markdown table"

# Remote image
python3 scripts/see.py "https://example.com/diagram.png" "Explain this architecture diagram"

スクリプトはモデルの回答を stdout に出力します。その回答を読み、タスクを続けてください。特定の情報（値、ステータス、エラーメッセージなど）が必要な場合は、一般的な「説明して」ではなく、焦点を絞った質問をしてください。より良い結果が得られ、トークンの消費も抑えられます。

設定（必須、一度だけ設定）

スクリプトは、環境変数または .claude/settings.json の env ブロックから設定を読み込みます（変数名は vision-mcp-server MCP と同じなので、設定を引き継げます）。解決順序は次のとおりです。明示的な環境変数が優先され、それ以外の場合は、現在のディレクトリから上位へ検索し、その後 ~/.claude/ を検索して .claude/settings.json を読み込みます。

変数必須例
VISION_BASE_URLはいhttp://localhost:1234/v1/chat/completions
VISION_MODELはいQwen3-VL-32B、gpt-4o、glm-4v、...
VISION_API_KEYいいえ*API キー（*ローカルサーバーでは省略可能）
VISION_MAX_TOKENSいいえ4096
VISION_TEMPERATUREいいえ0.2
VISION_DETAILいいえauto | low | high
VISION_TIMEOUTいいえ120

VISION_BASE_URL には、ベース URL だけではなく、チャット補完エンドポイント全体（.../v1/chat/completions）を指定する必要があります。

シェルプロファイル、MCP／エージェントの env ブロック、またはコマンド内で設定します。

export VISION_BASE_URL=http://localhost:1234/v1/chat/completions
export VISION_MODEL=Qwen3-VL-32B
export VISION_API_KEY=sk-...        # optional for local

または、.claude/settings.json（プロジェクトレベル、またはグローバルな ~/.claude/）に設定します。

{
  "env": {
    "VISION_BASE_URL": "http://localhost:1234/v1/chat/completions",
    "VISION_MODEL": "Qwen3-VL-32B",
    "VISION_API_KEY": "sk-..."
  }
}

注意事項

  • Python の標準ライブラリのみを使用するため、pip install は不要です。
  • ローカルファイルは自動的に base64 データ URL に変換され、http(s) URL はそのまま渡されます。
  • スクリプトで変数が不足している、またはエンドポイントに到達できないと表示された場合は、上記の設定を修正して再試行してください。リクエストを送信せずに確認するには、--dry-run を追加します。 python3 scripts/see.py --dry-run img.png "test"。

コメント

Markdown 対応