设计与多媒体

Image Vision

试用

本地图片视觉理解桥接。当用户明确要求分析、描述或理解图片内容时，调用本地 Ollama 视觉模型（qwen3.5:4b）读取图片并以文字描述返回，让不具备多模态能力的推理模型也能"看见"图片。

它能做什么

技能文档

Image Vision Bridge

本地视觉桥接 —— 当用户明确要求分析图片时，调用 Ollama 本地视觉模型（qwen3.5:4b / qwen3.5:9b）读图并返回文字描述。

⚠️ 隐私提示: 图片内容会被读取并发送到本地 Ollama 服务进行处理。所有数据仅在本机传输，不上传云端。

使用方式

python scripts/describe_image.py "<图片路径>"

可选参数

参数	说明	默认值
`--model`	视觉模型名	`qwen3.5:4b`
`--prompt`	自定义分析指令	详细描述所有细节

模型选择

qwen3.5:4b (~3.4GB) — 轻量化，首次加载约30秒，后续秒级响应。适合日常读图。
qwen3.5:9b (~6.6GB) — 更高质量，描述更准确细腻。适合需要精准理解的场景。

自定义 prompt 示例

# 提取图中文字
--prompt "请逐字提取图片中所有文字内容，不要遗漏任何文字。"

# 分析 UI 界面
--prompt "这是一个软件界面截图，请分析其布局、按钮、输入框等交互元素。"

# 提取代码
--prompt "完整提取截图中的代码，保留缩进和格式。"

工作流程

用户明确要求分析图片 → 检测到图片路径
脚本将图片 base64 编码 → 发送到本地 Ollama API（127.0.0.1）
qwen3.5 视觉模型分析图片 → 返回文字描述
描述注入对话 → 基于描述继续完成任务

前置条件

✅ Ollama 已安装并运行
✅ qwen3.5:4b 已拉取（已就绪）
✅ Python 3.9+

故障排除

如果 Ollama 模型崩溃（"llama-server process has terminated"），需要重启 Ollama 服务：

# macOS / Linux
pkill ollama && ollama serve &

# Windows (PowerShell)
Get-Process -Name "ollama*" -ErrorAction SilentlyContinue | Stop-Process -Force
Start-Process ollama -ArgumentList "serve" -WindowStyle Hidden

vision-fallback

Vision/image understanding for agents whose model can't read images (returns "model does not support images", empty/unknown output, low confidence, or user-reported failure). Calls an OpenAI-compatible vision API (doubao or any OpenAI-compatible provider), returns structured JSON. Use whenever an image must be understood. Do NOT substitute with local OCR (tesseract) - OCR extracts text only, not layout/visual understanding.

1 星标

Multimodal Image Understanding

通过调用多模态模型来理解图片内容。触发场景：(1) 用户要求分析/描述/提取/OCR 图片信息，且当前模型不支持图像输入（如 deepseek-v4、glm 5.1 等纯文本模型），(2) 用户明确要求"用我的视觉模型"或"调用多模态 API"来看图，(3) 用户显式调用本 skill（/multimodal-i...

3 次安装1 星标

read-image

Generate textual descriptions of one or more images when the current session model (e.g. opencode/big-pickle) has no image input, by delegating to a vision-capable model on OpenRouter via `opencode run` with --file. Use when the user drops photos into imgs/, asks "can you read/describe these images", or an image needs a description for an article, portfolio, infographic, or video pipeline. Related terms: 看图, 描述图片, image description, vision model, glm-4.6v, --file.