Vision local
给 Claude Code + DeepSeek 装上眼睛和耳朵：本地多模态 Skills 套装，支持图片识别/OCR（Ollama minicpm-v）和语音转文字（faster-whisper large-v3-turbo），纯本地运行无需云服务
npx -y skills add jk241282/-deepseek-skills --skill vision-localAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
2 things to look at
- no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
- 1 stars1 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
当用户发送图片、粘贴截图、要求分析/识别/描述图片内容时使用此 skill。使用本地 Ollama minicpm-v:8b 视觉模型分析图片，让纯文本模型具备识图能力。触发场景：用户上传图片、询问图片内容、要求 OCR 提取图中文字、分析截图、描述照片、问"图片里有什么"等。一旦出现图片相关任务，立即使用本 skill，不要尝试直接用 Read 工具读取图片。
SKILL.md
2.1 KB, 572 tokens by cl100k_base, as published. Nobody here has run it
本地视觉模型识图
当前模型是纯文本模型，无法直接理解图片。将图片分析任务交给本地 Ollama 部署的 minicpm-v:8b 视觉模型。
执行步骤
1. 确认图片路径
用户可能：
- 在消息中粘贴图片（Claude Code 保存为临时文件，路径通常在
/tmp/或用户消息中显示） - 提供文件路径
- 拖拽图片
获取图片的绝对路径。
2. 调用本地视觉模型
运行本 skill 附带的脚本（将 <skill目录> 替换为实际路径）：
python "<skill目录>/scripts/analyze_image.py" "<图片路径>" "<用户问题>"
脚本会自动将图片转为 base64，调用 localhost:11434 的 Ollama API，返回模型分析结果。
3. 解读并呈现结果
将脚本输出的文字直接呈现给用户。如果模型分析的是英文，翻译为中文呈现。
常用提示词模板
根据用户意图选择合适的 prompt 传给模型：
| 场景 | 提示词 |
|---|---|
| 通用描述 | 请详细描述这张图片的内容 |
| OCR 提取 | 请提取图片中的所有文字，保持原有格式 |
| 截图分析 | 这是一张截图，请分析界面内容和功能 |
| 图表理解 | 请分析这张图表，提取数据和趋势 |
| 物体识别 | 请识别图片中的物体/人物/场景 |
| 代码截图 | 请提取图片中的代码为文本格式 |
故障排查
- Ollama 未运行: 提示用户执行
ollama serve - 模型未安装: 执行
ollama pull minicpm-v:8b - 图片路径不存在: 用 Read 工具先确认文件存在
- 超时: 大图片分析可能较慢，等待时间最长 120 秒
What ships with it: 1 file
1.5 KB alongside SKILL.md, 1 of them executable
scripts/
- analyze_image.pyruns1.5 KB