| name | vision |
| description | 当用户发送图片、图片路径（本地或 URL）、剪贴板图片、base64 图片数据， 或要求识别、理解、描述、对比图片内容（如提取文字、描述场景、查找错误、 识别对象、截图分析、对比两张图）时，自动调用视觉工具 analyze_image / analyze_clipboard / compare_images，借助第三方视觉模型完成图片理解。 |
Vision Skill — 图片理解
DeepSeek 主模型是纯文本模型，无法直接“看”图片。本 Skill 通过 MCP 工具
（analyze_image / analyze_clipboard / compare_images）把图片交给第三方
OpenAI 兼容视觉模型（如智谱 GLM-4.6V、硅基流动 Qwen2.5-VL、通义千问
qwen-vl-plus），再把识别文本返回给主模型。
触发条件
满足以下任一条件时，必须调用视觉工具，而不是假装能看到图片：
- 用户输入中包含本地图片路径，例如
./screenshot.png、~/Desktop/photo.jpg、
或绝对路径 /Users/me/1.png。
- 用户输入中包含图片 URL，例如
https://example.com/foo.png。
- 用户输入中包含 base64 图片数据（可能带
data:image/...;base64, 前缀）。
- 用户提到剪贴板：说「看看剪贴板里有什么」「我截图了」「刚复制的图片」
——调用
analyze_clipboard。
- 用户要求对比多张图片：说「对比这两张图」「这两张有什么区别」——调用
compare_images，把各图片路径/URL 放进 images 数组。
- 用户明确要求识别 / 理解 / 描述图片内容，例如：
- “帮我看看这张图里有什么错误”
- “提取这张图片里的文字”
- “这张截图显示了什么报错信息？”
- “描述一下这张照片的场景”
- 用户上传了图片但主模型无法直接处理（例如在 DeepSeek Harness /
Codex 中以附件形式传入），此时同样应调用工具。
必须执行的操作
-
先确认工具可用：调用前确认当前会话工具列表里有对应的视觉工具。
若没有，说明 MCP 未加载，提示用户检查配置并重启，不要硬编造结果。
-
判断图片输入形式：本地路径 / URL / base64 / 剪贴板，选择对应工具：
- 单张图片 →
analyze_image(image=..., prompt=?, task=?)
- 剪贴板图片 →
analyze_clipboard(prompt=?, task=?)
- 多图对比 →
compare_images(images=[...], prompt=?)
-
选择 task（预置任务，无需自己拼 prompt；也可用 prompt 自定义指令，
prompt 优先级更高）：
| task | 用途 | 效果 |
|---|
describe（默认） | 通用描述 | 详细描述图片内容 |
ocr | 提取文字 | 逐字提取，保留排版换行，不做评论 |
describe_ui | UI 截图 | 布局 / 组件 / 可见文字 / 状态 |
diagnose_error | 报错截图 | 错误信息 / 原因 / 修复步骤 |
understand_diagram | 流程图/架构图 | 类型 / 组成 / 关系 / 目的 |
analyze_chart | 数据图表 | 类型 / 坐标轴 / 趋势 / 洞察 |
code_from_screenshot | 代码截图 | 语言 / 可编辑代码块 |
自定义 prompt 示例：
- 提取文字：
请提取图片中的所有文字，保持原有排版顺序。
- 找错误：
请识别图片中的错误信息，并说明可能的原因。
- 描述场景：
请描述图片中的场景、人物、物体和环境细节。
- 其他需求：把用户的原始诉求改写为对视觉模型的清晰指令。
-
调用 MCP 工具：
analyze_image(image="<路径或URL或base64>", task="ocr")
analyze_clipboard(task="diagnose_error")
compare_images(images=["./a.png", "https://example.com/b.jpg"], prompt="对比两者差异")
-
工具返回 JSON：{"success": true/false, "result": "...", "model": "...", "provider": "...", "fallback_used": true/false, "attempts": 0, "usage": {...}, "cached": true/false}。
success: true：把 result 中的识别文本直接作为回答呈现给用户，
可适当补充说明（来自哪个模型）；cached: true 只表示命中同会话缓存，
内容仍可正常使用。success: false：把 error 字段（如 IMAGE_LOAD_FAILED、
VISION_API_ERROR、CONFIG_ERROR、CLIPBOARD_ERROR）和 result 中的
错误信息转告用户，并给出修复建议（检查路径/URL 是否有效、API Key 是否
配置、图片是否超限、剪贴板是否有图等）。
注意事项
- 不要编造图片内容：模型看不到图片时，禁止凭空描述图片。
- 限流节奏：Server 会在全局请求预算内自动退避、轮换 Key/模型并切换已配置的
备用服务商，
fallback_used: true 表示已自动降级。只有在工具最终仍返回
VISION_API_ERROR 且提示限流（429）时，才等待 15~30 秒再调用一次；仍失败则
如实告知，不要无限空转。
image 参数必须是字符串；URL 必须带 http(s):// 前缀；默认拒绝内网 URL
（SSRF 防护），如需访问内网图片服务请配置 VISION_ALLOW_PRIVATE_IMAGE_URLS=true。- 本地路径以调用方（MCP Server）所在机器的文件系统为准。
- 图片会发送给第三方视觉模型 API，涉及隐私时应提醒用户。
- 工具超时或网络异常时，工具会返回
success: false，如实转告即可。
- 不要把 API Key 写进任何 prompt 或输出。
示例对话
示例 1：本地截图找错误
用户：帮我看看 ./screenshot.png 里有什么错误？
助手：我来识别这张截图的内容。
调用 analyze_image(image="./screenshot.png", task="diagnose_error")
工具返回：{"success": true, "result": "截图显示 Python 报错：ModuleNotFoundError: No module named 'requests'，发生在 import requests 处。可能原因：未安装 requests 库……", "model": "glm-4.6v-flash", ...}
助手：这张截图里的错误是 ModuleNotFoundError: No module named 'requests'，
发生在 import requests 这行。解决方法是执行 pip install requests 后重新运行。
示例 2：剪贴板图片（用户刚截图）
用户：看看我刚复制的截图里有什么？
助手：我来读取剪贴板中的图片。
调用 analyze_clipboard()
工具返回：{"success": true, "result": "这是一张数据图表，X 轴为月份，Y 轴为销售额，3 月达到峰值……", ...}
助手：你复制的截图是一张月度销售额图表，3 月达到峰值……
示例 3：多图对比
用户：对比一下 design_v1.png 和 design_v2.png 有什么不同？
助手：我来对比这两张图。
调用 compare_images(images=["./design_v1.png", "./design_v2.png"])
工具返回：{"success": true, "result": "两张图都是登录页设计。主要差异：1) v2 的按钮从蓝色改为绿色……", ...}
助手：两张设计稿的主要差异是……
示例 4：图片加载失败
工具返回：{"success": false, "error": "IMAGE_LOAD_FAILED", "result": "图片文件不存在：./nope.png"}
助手：抱歉，我无法读取 ./nope.png —— 这个文件不存在。请确认路径是否正确，
或改用图片 URL 再试一次。
