image-vision

image-vision

让没有视觉能力的模型（如 DeepSeek 等纯文本模型）也能"看图"：自动调用 OpenAI 兼容的识图模型 API（OpenRouter、SiliconFlow、智谱、Kimi、通义千问、 本地 Ollama 等），完成图片描述、问答、OCR 等任务。

一个仓库，多个 Agent 宿主：同一套技能逻辑分别以标准 skill 和宿主插件的形式 提供给 Codex、Claude Code、DeepSeek Harness（DSH）等使用。

支持的 Agent

仓库结构

image-vision/
├── skills/image-vision/    # 标准 skill：Codex / Claude Code / 其他 SKILL.md 宿主 / DSH 轻量接入
│   ├── SKILL.md            #   技能说明（各宿主通用）
│   ├── scripts/vision_query.py
│   ├── agents/openai.yaml
│   └── references/providers.md
├── dsh-image-vision/       # DSH 插件：深度接入（Cordis 插件，独立可 publish）
│   ├── lib/*.js            #   vision_query 工具 + 运行时技能注册（零依赖 ESM）
│   ├── assets/SKILL.md     #   DSH 版技能正文（工具优先）
│   └── README.md
├── install.sh              # 一键安装脚本（TARGET=codex / claude / both / dsh；DSH 深度接入加 DSH_PROFILE=web）
└── README.md

DSH 深度接入与技能版共享同一套配置语义与预处理策略：lib/ 是 vision_query.py 的 JS 移植，两边行为保持一致但互不依赖（插件不要求 python3）。

安装与使用

1. Codex

安装（任选其一）：

方式一：把技能地址发给 Codex，让它自动安装 —— 复制下面这句发给 Codex：

请安装这个技能：https://github.com/wangyang10/image-vision/tree/main/skills/image-vision

方式二：一键脚本

TARGET=codex bash <(curl -fsSL https://raw.githubusercontent.com/wangyang10/image-vision/main/install.sh)

方式三：手动

git clone https://github.com/wangyang10/image-vision.git
cp -r image-vision/skills/image-vision ~/.codex/skills/

配置：新建 ~/.codex/image-vision.env（见下方配置）。重启 Codex 后生效。

使用：在 Codex 中直接发送图片并提问即可自动触发；也可手动调用：

python3 ~/.codex/skills/image-vision/scripts/vision_query.py 图片.png --prompt "这张图里写了什么？"
python3 ~/.codex/skills/image-vision/scripts/vision_query.py a.png b.png --prompt "两张图有什么区别？"
python3 ~/.codex/skills/image-vision/scripts/vision_query.py 截图.png --prompt "完整提取图中文字" --json

2. Claude Code

安装（任选其一）：

方式一：把仓库地址发给 Claude Code —— 复制下面这句发给 Claude Code：

从 https://github.com/wangyang10/image-vision 安装 image-vision 技能到 ~/.claude/skills/ 目录

方式二：一键脚本

TARGET=claude bash <(curl -fsSL https://raw.githubusercontent.com/wangyang10/image-vision/main/install.sh)

方式三：手动

cp -r image-vision/skills/image-vision ~/.claude/skills/

配置 / 使用：与 Codex 相同（脚本固定读取 ~/.codex/image-vision.env，两个宿主共用一份配置）。 重启 Claude Code 后生效。

3. DeepSeek Harness（DSH）

安装（任选其一；推荐深度接入，模型可直接调用 vision_query 工具）：

方式一：把仓库地址发给 DSH，让它自动安装 —— 复制下面这句发给 DSH：

安装这个插件：https://github.com/wangyang10/image-vision （插件在 dsh-image-vision 子目录，已发布 npm，装到 web profile，装完验证可用）

方式二：一键脚本（自动安装插件并写入装载条目）

TARGET=dsh DSH_PROFILE=web bash <(curl -fsSL https://raw.githubusercontent.com/wangyang10/image-vision/main/install.sh)

方式三：手动

dsh plugin --profile web add dsh-image-vision
# 然后在 ~/.dsh/profiles/web/cordis.patch.yml 追加：
# - insert:
#     - id: image-vision
#       name: dsh-image-vision
#       config:
#         maxEdge: 2048
#         maxBytes: 10485760

使用：直接发图提问（模型自动调 vision_query）；或在聊天输入框输入 /image-vision 唤起技能。 装载后一般热加载生效；未生效时重启 dsh web。配置与详细说明见 dsh-image-vision/README.md。

轻量接入（不想装插件时）：只装技能目录，模型通过 python 脚本识图（需 python3）：

TARGET=dsh bash <(curl -fsSL https://raw.githubusercontent.com/wangyang10/image-vision/main/install.sh)
# 或手动：cp -r image-vision/skills/image-vision ~/.dsh/skills/

4. 其他支持 SKILL.md 的宿主

把 skills/image-vision/ 复制到对应技能目录（如 ~/.claude/skills、~/.agents/skills 等）， 配置与使用同 Codex。

配置

所有宿主共用三个变量，读取优先级均为：环境变量 > 配置文件 > 内置默认。

新建配置文件（Codex / Claude Code 用 ~/.codex/image-vision.env；DSH 建议 ~/.dsh/image-vision.env，脚本与插件都会回退读取 ~/.codex/image-vision.env）：

VISION_API_KEY=你的识图平台密钥
VISION_API_BASE=https://openrouter.ai/api/v1
VISION_MODEL=qwen/qwen3-vl-32b-instruct

• 环境变量名：VISION_API_KEY（未设置时回退 OPENAI_API_KEY）、VISION_API_BASE、VISION_MODEL
• DSH 插件额外支持把 key 存进 DSH 凭据体系（~/.dsh/.credentials.yaml / 设置页）
• 其他平台（SiliconFlow / 智谱 / Kimi / 通义千问 / 本地 Ollama）示例见 references/providers.md
• 修改配置后直接生效，无需重开会话（每次调用都会重新读取）

⚠️ 配置文件包含你的密钥（权限 600），永远不要提交到任何仓库。

特性

• 当前模型不具备视觉能力时，自动调用识图 API 读取图片
• 支持本地图片、http(s) URL、data URL；支持多图对比
• 自动预处理（macOS）：HEIC/HEIF/AVIF → JPEG、TIFF/BMP → PNG， 长边超 2048px 自动缩放，超过 10MB 自动压缩（可用 --no-preprocess 关闭）
• OCR 提取文字、--json 结构化输出

维护说明

• skills/image-vision/scripts/vision_query.py（Python）与 dsh-image-vision/lib/（JS 移植）是同一套逻辑的两份实现，改动预处理/API 行为时需同步两边。
• assets/SKILL.md（插件内嵌）与 skills/image-vision/SKILL.md 保持内容同步。

License

MIT