Vision support

Skill WALKERKILLER/Look-Tongji-Notes/vision-support

Transcribing Lessons from Tongji Look Platform to Notes with Agent Skill.

Install

npx -y skills add WALKERKILLER/Look-Tongji-Notes --skill vision-support

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

What its author says it does

Copied from the file, not written here

为非多模态模型（如 deepseek-v4-pro、GLM-5.1、mimo-v2.5-pro 等纯文本模型）提供图片识别能力。当主模型无法识别图片、用户发送了截图/设计稿/UI 截图需要分析、或者用户说'看看这张图'、'分析这个截图'、'这张图片有什么问题'时，自动触发此技能。也适用于用户粘贴了图片但当前模型不支持图片输入的任何场景。支持同时识别多张图片，通过配置多个识图模型实现主备回退。使用指令 /skill:vision-support 或 /vision 也可手动触发。铁律：本技能配置的模型仅用于图片内容识别，绝不参与主逻辑推理。注意：如果当前模型本身是多模态模型（如 Claude Sonnet 4、GPT-4o、Gemini 等可以直接识图的模型），不要使用此技能，直接让主模型识别即可。

SKILL.md

4.9 KB, as published. Nobody here has run it

Vision Support — 非多模态模型的图片识别桥接

铁律：本技能配置的所有模型仅用于图片内容识别，绝不参与主逻辑推理。 这些模型不会代替主模型做任何决策、分析或编码，它们只负责"看"图片然后把看到的内容用文字描述出来。

什么时候使用此技能

用户在对话中附带了图片，但当前模型不支持图片理解
用户提到截图/图片/界面/设计："看看这个截图"、"界面有问题"、"这个设计稿"
用户描述了一个视觉问题但说不清楚："网页显示不对"、"布局乱了"
agent 在工作中遇到图片文件（PNG/JPG/WebP 等）
通过指令 /vision 或 /skill:vision-support 手动触发

首次使用 — 一键初始化

node SKILL_DIR/scripts/vision.mjs init

交互式引导，只需三步：

选 Provider — 从预置的主流平台列表中选择
填密钥 — 输入 API Key（或环境变量名）
选模型 — 自动从 API 拉取可用模型列表供选择（如拉取失败则显示推荐列表）

支持的平台覆盖国内外主流：

分类	平台
国际	OpenAI、Google Gemini、Anthropic Claude、DeepSeek、Groq、Mistral、xAI (Grok)、OpenRouter、Fireworks AI
国内	通义千问 (Qwen VL)、智谱 GLM (GLM-4V)、Moonshot (Kimi)、阶跃星辰 (Step)、MiniMax、SiliconFlow (硅基流动)、小米 MiMo
本地	Ollama、LM Studio
自定义	任何 OpenAI 兼容的第三方平台（自填 baseUrl）

添加备用模型

node SKILL_DIR/scripts/vision.mjs config add

同样的交互式引导，添加的模型作为 fallback 回退。主模型失败后自动尝试。

所有配置命令

# 交互式
node SKILL_DIR/scripts/vision.mjs init                    # 初始化主模型
node SKILL_DIR/scripts/vision.mjs config add              # 添加 fallback
node SKILL_DIR/scripts/vision.mjs config edit [name]      # 编辑模型

# 快捷命令
node SKILL_DIR/scripts/vision.mjs config list             # 列出所有模型
node SKILL_DIR/scripts/vision.mjs config primary [name]   # 设置主模型
node SKILL_DIR/scripts/vision.mjs config remove <name>    # 删除模型
node SKILL_DIR/scripts/vision.mjs config set-key <name> <key>   # 设置密钥
node SKILL_DIR/scripts/vision.mjs config set-url <name> <url>   # 设置 API 地址
node SKILL_DIR/scripts/vision.mjs config test [name]      # 测试连通性

使用方法 — 识别图片

单张

node SKILL_DIR/scripts/vision.mjs ./screenshot.png
node SKILL_DIR/scripts/vision.mjs ./ui.png "这个界面的布局有什么问题？"
node SKILL_DIR/scripts/vision.mjs "https://example.com/img.png" "描述这张图片"

多张

node SKILL_DIR/scripts/vision.mjs img1.png img2.png "对比这两张图的差异"
node SKILL_DIR/scripts/vision.mjs ./screenshots/*.png "分析这些界面截图"
node SKILL_DIR/scripts/vision.mjs ./local.png https://example.com/remote.jpg "描述这两张"

查找图片

如果用户提到图片但没给路径，先搜索：

find . -name "*.png" -o -name "*.jpg" -o -name "*.webp" | head -20
ls -lt *.png *.jpg *.webp 2>/dev/null

获取结果后的工作流

脚本成功后 stdout 输出的纯文本就是识别结果（stderr 是日志不影响）。

读取识别结果：stdout 内容即为图片描述
结合用户问题：把描述和用户需求结合
主模型继续工作：用识别结果作为上下文，主模型完成后续任务

回退机制

config list 中排第一位的 ★ 主模型优先调用。失败后自动依次尝试后续模型。所有模型都失败则非零退出码退出。

环境变量

变量	说明
`VISION_CONFIG_PATH`	自定义配置文件路径
`VISION_DEFAULT_MODEL`	临时覆盖主模型（按 name 匹配）
`VISION_API_KEY`	全局密钥回退