openvl

name	openvl
description	让无视觉能力的 AI 模型看懂图片。支持本地图片、URL、剪贴板截图、base64 数据、stdin 管道。用户提问会传给视觉模型直接回答。也支持 MCP 服务器供 Cherry Studio 等工具调用。
version	1.1.5
credentials	[{"name":"VISION_API_KEY","required":true,"description":"API Key","storage":"config.env 文件"}]
read_when	["用户提供了图片路径、URL 或 data URI → 运行 openvl <路径/URI>","用户粘贴了图片（AI IDE 会传临时文件路径）→ 运行 openvl <路径>","用户说\"好了\"\"截好了\"\"截图了\"，表示已截图到剪贴板 → 运行 openvl -c","用户问图片内容、文字、场景、出处等 → 把问题带上：openvl <路径> 用户的问题","需要 OCR 提取图中的文字","用户问\"这张图是谁画的/什么出处\" → 先用 openvl 读图，再用联网工具查"]

使用规则

调用规则

• 用户有具体提问 → openvl <路径> 用户的问题，视觉模型直接回答
• 用户只说"看图""看看" → 不带问题，直接描述
• 对话历史已有 openvl 输出 → 直接复用，禁止重复请求同一张图
• 不确定用户想问什么 → 先问清楚再调 openvl

提问技巧

结合上下文构造精准问题传给 openvl：

• 模糊提问 → 问清楚再传：用户说"看看这个"，先问"你想了解什么？"
• 多内容图片 → 指明重点："图中红色框内的文字是什么"
• OCR 需求 → 明确要求："提取图中所有文字"
• 多张对比 → 分别问：先描述第一张再第二张

输出规则

• 用户问什么就答什么，不要把整段 openvl 输出直接贴出来
• 大量数据逐条列出，不省略
• 不加废话和评价

OpenCode 专用规则

遇到 [Image: <路径>] 标记时，从标记中复制准确的路径字符串传给 openvl。不要自己构造或猜测路径，即使看起来很像。多个标记一起传。

安装

npm install -g @scp3500/openvl

使用方式

openvl <路径/URL>                  # 看图
openvl -c                           # 读剪贴板截图
openvl --stdin                      # 从 stdin 读 data URI
openvl --base64 iVBOR...            # 直接传 base64
openvl <路径> 用户的问题            # 带问题看图
openvl -c 用户的问题                # 带问题读剪贴板
openvl <图片> -t 0.3                # 温度（0~1，越低越严谨）
openvl <图片> -T high               # 思考深度 (low|medium|high)
openvl <图片> -s 512                # 图片最大边长（默认1024，越小越省）

配置

编辑 config.env：

VISION_API_KEY=你的密钥
VISION_API_BASE=https://你的中转站地址/v1/chat/completions
VISION_MODEL=模型ID