oil-oil/see-skill

oil-oil のプロフィール

記録された最新のソース活動: 2026年9月10日 12:48

SkillsMP カタログ更新: 2026年10月17日 00:09

収集済み skills: 1

GitHub スター: 160
GitHub フォーク: 8

リポジトリの README

README の元ファイル：README.md

README の元ファイルを読む

README 全文を表示

<p align="center"> <img src="./assets/readme/hero.svg" width="100%" alt="see 为任何不支持多模态的模型补充原生图片与视频理解"> </p> 分析图片、截图和视频，输出可阅读的媒体报告，并在适用时使用本地文字识别。 ## 不要拖图如果当前宿主在 Skill 启动前拒绝图片附件，可以提供可读的本地路径；不能据此断言所有宿主都会拒绝附件。把图片保存到本地，发送路径或 URL，或显式输入 `$see`： ```text 使用 see 查看 /Users/me/Desktop/error.png ``` ```text $see ``` 配置凭据不会修改全局规则。只有用户明确要求全局接入时才运行 `onboard.py --install-agents`；它是可选适配，不是图片分析的前置步骤。 ## 安装把下面这句话发给 Agent： ```text 安装 https://github.com/oil-oil/see-skill skill ``` 安装完成后说： ```text 帮我配置 see ``` Agent 会按[配置说明](see/references/api-key-setup.md)展示本机页面。选择实际使用的服务后，由你亲自填写 Key；保存后经对应 run 入口启动分析。没有多模态 Key 也能使用，onboard 时选择 `local` 即可。只补 Codex 拒绝覆盖、不改供应商时： ```bash # 仅明确要求修改全局规则时：python3 see/scripts/onboard.py --install-agents ``` 安装 Skill 不会更换右下角的主模型。继续显示原来的文本模型是正常的，`see` 只在查看媒体时调用视觉后端。 ## 直接使用像平常一样告诉 AI 图片在哪里、想看什么： ```text 看看 /path/to/screenshot.png ``` ```text 识别 /path/to/error.png 里的报错，并告诉我怎么修 ``` ```text 并行查看 a.png、b.png、c.png ``` ```text 比较 before.png 和 after.png 的界面变化 ``` ```text 总结 /path/to/demo.mp4 的内容 ``` AI 只需要调用一个脚本： ```bash # 单图 see/scripts/see.sh screenshot.png # 多图独立分析，默认并行 see/scripts/see.sh a.png b.png c.png # 多图联合理解 see/scripts/see.sh --together before.png after.png --task "比较界面变化" # 完整视频理解 see/scripts/see.sh demo.mp4 ``` ## 为什么更接近原生视觉 - 图片原图直接发送，不预先 OCR、缩放或压缩。 - 视频保持完整时间线和音频，直接使用模型原生视频能力，不在 Skill 内抽帧。 - 4K、高帧率或大体积视频自动压缩为清晰的 H.264 MP4，减少上传时间。 - 用户问题通过 `--task` 原样交给视觉模型，不套固定报告模板。 - 视觉模型同时理解对象、布局、空间关系、界面状态和文字。 - 云端结果直接返回给主模型，减少“先泛化描述、再二次推理”的信息损失。纯文本主模型最终仍然接收文字结果，因此不可能和同一个模型原生拥有视觉完全相同；但这是外接视觉模型时信息损失最少的方式。 ## 并行与联合 | 场景 | 模式 | 行为 | |---|---|---| | 多张图片互不相关 | 默认 | 并行请求，结果按输入顺序汇总 | | 前后对比、连续截图、组合证据 | `--together` | 所有原图进入同一次多模态请求 | | 只有本地能力可用 | 自动降级 | 多张图片继续并行分析 | ## 供应商 | 供应商 | 默认模型 | Key 变量 | |---|---|---| | ZenMux | `qwen/qwen3.7-plus` | `ZENMUX_API_KEY` | | 百炼 | `qwen3.7-plus` | `DASHSCOPE_API_KEY` | | OpenRouter | `qwen/qwen3.7-plus` | `OPENROUTER_API_KEY` | | TokenDance | `qwen3.7-plus` | `TOKENDANCE_API_KEY` | | 本地 | 系统视觉 / OCR | 不需要 | 图片会按配置顺序尝试供应商，全部失败才进入本地视觉分析；视频使用下方的独立路由。视频模型自动选择： | 供应商 | 默认视频模型 | 输入 | |---|---|---| | ZenMux | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 | | OpenRouter | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 | | 百炼 | `qwen3.7-plus` | 完整视频 | | TokenDance | `qwen3.7-plus` | 完整视频 | 视频不会降级为抽帧；没有支持视频的云端 Key 时会直接提示配置。 ## Onboard 与 Key 保存新 Key 使用固定页面，云端执行通过对应配置的 run 包装器。旧 Onboard 保留给用户主动选择的终端配置、路由调整和本地模式： ```bash python3 see/scripts/onboard.py # 仅明确要求修改全局规则时：python3 see/scripts/onboard.py --install-agents python3 see/scripts/onboard.py --status ``` 私有配置位置： - macOS / Linux：`~/.config/see/config.env` - Windows：`%APPDATA%\see\config.env` 普通配置保存供应商、模型和系统凭据引用，并限制为仅当前用户可读写；新密钥不写入该文件。环境变量优先级最高，适合 CI 或不希望落盘的用户；项目 `.env.local` 其次，用户私有配置最后。高级用户也可以直接设置： ```bash export SEE_PROVIDER=zenmux # ZENMUX_API_KEY 由可信运行环境注入，不在命令正文填写 ``` 不要把真实 Key 提交到 Git。 ## 本地降级 ```text macOS → 系统 Vision OCR → Tesseract Windows → Windows OCR → Tesseract Linux → Tesseract ``` macOS Vision 通过系统自带的 `osascript` 调用，不需要 Xcode、Swift 或额外 Key；如果设备已经有 Swift，会自动启用增强分析。Windows OCR 也是系统能力，但需要安装 OCR 语言。Tesseract 是最后兜底，需要用户自行安装。 macOS 的 Swift 增强路径还会返回场景分类、人物/人脸、条码和基础图形结构；这些线索仍不能替代多模态模型的完整语义理解。其他本地路径目前以 OCR 为主。检查本地后端： ```bash python3 see/scripts/onboard.py --status ``` 如果显示不可用： - macOS：升级到 macOS 10.15 或更高版本。 - Windows：设置 → 时间和语言 → 语言和区域 → 语言选项，安装 OCR。 - Ubuntu / Debian：`sudo apt install tesseract-ocr tesseract-ocr-chi-sim`。 ## 参数日常使用只需要图片路径。其余参数按需使用： | 参数 | 用途 | |---|---| | `--task "问题"` | 原样发送给视觉模型 | | `--together` | 多图放进同一次请求 | | `--jobs 4` | 多图并发数 | | `--provider NAME` | 临时指定供应商 | | `--model NAME` | 临时覆盖当前媒体模型 | | `--ocr-backend system` | 指定本地系统能力 | | `-o result.md` | 指定结果文件 | 成功后 stdout 只输出： ```text output_path=/absolute/path/result.md ``` 结果 Markdown 会记录实际后端、模型、单图/并行/联合模式，以及每次路由是否成功，方便 AI 判断有没有发生降级。 ## 支持范围 - 支持本地图片、视频和 HTTP / HTTPS URL。 - 支持多文件并行；`--together` 用于多图联合理解。 - 视频自动压缩为最长边 1920、2 fps、H.264 和 AAC；超出上传预算时自动切换紧凑档。 - 下载上限为 512 MB。 - 不负责网页视频提取。 - 需要 Python 3；云端调用不依赖第三方 Python 包。 - 视频压缩需要 FFmpeg。 ## 文件结构 ```text see/ ├── SKILL.md ├── agents/ │ └── openai.yaml └── scripts/ ├── see.sh ├── onboard.py ├── parse_media.py ├── ocr_macos.js ├── ocr_macos.swift └── ocr_windows.ps1 ``` ## License [MIT](./LICENSE) © 2026 oil-oil ## 凭据与数据边界云端分析会把选定媒体发给所选供应商，可能计费；本地 OCR 不等于完整视觉理解。新密钥通过随附本机配置页存入系统凭据库，普通配置只保存引用。先用任务 Python 环境安装 `see/scripts/requirements-credentials.txt`（Skill 内相对路径为 `scripts/requirements-credentials.txt`）。不把 Key 发到聊天、命令参数或日志。旧明文配置不会自动迁移或覆盖：入口会先停止，提示备份后重新配置。状态检查只确认来源，API 验证成功才代表可用。全局指令写入仅在明确调用 `--install-agents` 时发生。 ## API Key 配置页面首次使用外部服务时，可以在本机配置页亲自填写 Key；已有配置会复用，密钥存入系统凭据库。只为实际使用的外部服务配置；纯本地处理不需要 Key。页面需要 Node.js 22.18+ 与可用的系统凭据服务，业务运行仍使用原依赖。安装、状态检查、打开页面和带凭据运行的完整入口见[配置说明](see/references/api-key-setup.md)。页面保存与业务读取已经接通；不把 Key 发进聊天，也不自动迁移旧文件。

リポジトリの README を読み込んでいます…

このリポジトリの skills

その他コンピュータ職

1 件の職業カテゴリ · 100% 分類済み

skill

職業分類

説明

更新

see

その他コンピュータ職

使用外部视觉服务或本地 OCR 分析本地图片、截图、视频及明确提供的媒体 URL，输出 Markdown。用户明确要求 see，或当前主模型缺少完成媒体分析所需的视觉能力时使用。不拦截普通文本、任意 URL 或已有原生视觉可以直接完成的任务；不用于生图、编辑图片或自动操作屏幕。使用外部服务前说明发送的媒体与服务范围，无法识别时如实说明限制。

原文の言語: 中国語

2026-09-10

収集済み skill 1 件中 1 件を表示しています。

AI アシスタントでインストール

このプロンプトをコピーして、使用中の AI アシスタントに送ってください。

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/oil-oil/see-skill.