mcpField
V
vision

vision

github.com/kototAgent 工作流313.5k 次安装17 周前更新
代码仓库

关于 vision

vision 是为无法直接查看图像的 Agent 提供的图像理解技能，通过脚本调用可配置的 OpenAI 兼容视觉模型并返回文本结果。可用于 OCR、截图诊断及图表理解。

主要功能

  1. 01调用可配置视觉模型
  2. 02支持本地文件与 HTTP URL
  3. 03从图像提取文字
  4. 04分析截图、图表与文档
  5. 05无需安装 Python 依赖

适用场景

  1. 01读取收据或扫描件文字
  2. 02诊断错误截图
  3. 03理解界面原型或图表

安装

复制下面的命令，在终端中运行。

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

安装后在 Claude Code 中输入/vision确认已加载。

附带文件scripts/see.py

详细介绍

视觉理解（委托式图像理解）

你没有原生视觉能力，但仍然可以通过运行附带的脚本来“查看”图像。该脚本会将图像发送给可配置的兼容 OpenAI 的视觉模型，并返回文本答案。

适用场景

每当任务需要理解图像内容，而你无法直接查看图像时，都可以使用此技能，例如：

  • 用户上传或提供了图像 / 截图 / 照片，并询问其中有什么。
  • 你需要读取图像中的文字（OCR）。
  • 你需要根据截图诊断错误。
  • 你需要理解 UI 原型图、示意图、图表或扫描文档。
  • 你需要将图像显示的内容与代码或预期输出进行比较。

使用方法

使用 Bash 工具运行脚本。传入图像（本地路径或 http(s) URL），并提供清晰、具体的指令，说明你需要了解什么：

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

如果环境中未设置 $CLAUDE_SKILL_DIR，请使用此技能文件夹的相对路径，例如在技能目录中运行 python3 scripts/see.py ...，或使用技能的安装绝对路径。

示例：

# 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"

脚本会将模型的答案输出到 stdout。阅读该答案并据此继续任务。需要特定信息（某个数值、状态或错误消息）时，请提出聚焦的问题，而不是泛泛地要求“描述”——这样能获得更好的结果，也能节省令牌。

配置（必需，只需设置一次）

脚本从环境变量或 .claude/settings.json 的 env 块中读取配置（变量名称与 vision-mcp-server MCP 相同，因此配置可以沿用）。解析顺序：优先使用显式环境变量；否则，脚本会从当前目录开始向上搜索，然后检查 ~/.claude/ 中的 .claude/settings.json。

变量必需示例
VISION_BASE_URL是http://localhost:1234/v1/chat/completions
VISION_MODEL是Qwen3-VL-32B、gpt-4o、glm-4v，...
VISION_API_KEY否*你的 API 密钥（*本地服务可选）
VISION_MAX_TOKENS否4096
VISION_TEMPERATURE否0.2
VISION_DETAIL否auto | low | high
VISION_TIMEOUT否120

VISION_BASE_URL 必须是完整的聊天补全端点（.../v1/chat/completions），不能只是基础 URL。

将这些变量设置在 shell 配置文件、MCP/Agent 的 env 块中，或直接内联设置：

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

也可以将它们放入 .claude/settings.json（项目级，或全局 ~/.claude/）：

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

注意事项

  • 仅使用 Python 标准库——无需 pip install。
  • 本地文件会自动转换为 base64 数据 URL；http(s) URL 则会直接传递。
  • 如果脚本报告缺少变量或无法访问端点，请修复上述配置后重试。添加 --dry-run 可在发送请求前检查请求内容： python3 scripts/see.py --dry-run img.png "test"。

评论

支持 Markdown