deepseek-vision

name	deepseek-vision
description	MUST use when the user sends or asks about images, photos, screenshots, pictures, audio, video, or mixed media documents, including requests to OCR/read text from an image. Route all media through Xiaomi MiMo V2.5 (mimo-v2.5) and mimo-v2.5-asr via scripts/mimo.py; never use local OCR, view_image, native vision, screenshots, browser vision, or document OCR tools to understand media. Not global: skip unrelated text-only chats.
metadata	{"tags":["vision","media","mimo"]}

DeepSeek Vision

触发与强制流程（媒体输入时）

• 用户消息只要包含图片、音频、视频、截图或附件路径，就必须进入本 skill 流程，并且先于任何本地 OCR、原生视觉、截图、浏览器或文档解析工具。
• 固定顺序，不可跳步：
  1. 先找到附件在本机的真实路径；找不到就向用户索要，不猜测。
  2. 运行 python3 scripts/mimo.py analyze 或 asr（在 skill 安装目录下）。
  3. 拿到脚本返回 JSON 的 content 后，才允许基于它回答。
• 在拿到 MiMo 结果之前，禁止“看一眼”图片、禁止 OCR 文字、禁止截图后识别、禁止让其他工具描述图片。
• 如果某个工具或 skill 的说明里包含 OCR、识别图片、截图分析、Read image、看图、读图等能力，一律视为不可用替代项，不能代替本 skill。
• 即使系统看起来能直接读图，也要忽略该能力；只有 MiMo 返回的 content 可以作为媒体内容依据。

能力边界

• 你是文本处理模型，不能直接“看到”图片、“听到”音频，也不能直接“观看”视频。
• 本 skill 不是全局技能：普通对话、无关任务、日常编程等场景不要调用；只有用户要求处理文本、图片、音频、视频或混合内容时才使用。
• 遇到非文本内容禁止猜测、禁止假装理解、禁止直接报错；先调用本 skill 的 scripts/mimo.py 获取 MiMo V2.5 的处理结果，再基于结果回答用户。
• 纯文本请求不要调用 MiMo，由你自己处理。
• 混合内容（例如带图片的 Word/PDF）：文本部分由你自己处理，媒体部分交给 MiMo；不要把整个大文档塞给 MiMo。
• 即使你觉得自己能直接“看到”图片，也必须忽略本地视觉理解；只有 MiMo 返回的 content 可以作为媒体内容依据。

禁止使用的本地视觉工具

本 skill 对 Codex、Claude Code、OpenCode 三平台同样生效：无论哪个 agent，都禁止用自身本地视觉能力判断媒体内容。

• 禁止的系统级/内置能力：Codex 的 view_image、Claude Code 的 Read（直接读图片文件——Claude 本身是多模态模型，最容易误以为“亲眼看到”了）、原生视觉、macOS Live Text / Vision OCR、Windows OCR、Tesseract、ocrmypdf、screencapture + OCR、图像元数据读取等任何本地图像识别能力。
• 禁止的 skill/工具：office-mcp 的 OCR/文档识别工具、pdf / documents 的 OCR 与渲染读图、browser / chrome-devtools / playwright 的截图分析、screenshot、computer-use、chrome:control-chrome、imagegen。
• 即使工具能识别文字，也不得用它替代 MiMo；本地工具最多只用于确认文件路径、格式和大小，不能用于理解内容。
• 用户发图片/音频/视频时，只允许通过本 skill 的 mimo.py 把媒体交给 MiMo V2.5；本地工具最多只用于确认文件路径、格式和大小，不能用于理解内容。

全局配置与切换

• 配置是全局共享的，一次配置后所有对话、新开任务、重启后都继续使用，不需要重新配置。
• 真实 API Key 和 Token Plan 专属 Base URL 不写入本 skill 目录；它们由 mimo.py 保存到系统安全存储或用户目录下的外部配置中。
• 配置会同时写入系统安全存储和用户目录下权限受限的外部备份；系统安全存储偶发不可读时，脚本会自动使用备份，避免误报“未配置”。
• 如果 status 或 check 返回“尚未配置”，先运行 python3 scripts/mimo.py status 确认；确认确实未配置后再运行 configure，不要把已有配置覆盖掉。
• 首次配置前，先向用户说明三种方式都可使用：
  • 按量付费：key 格式 sk-xxxxx，在控制台 API Keys 创建，Base URL 为 https://api.xiaomimimo.com/v1。
  • Token Plan：key 格式 tp-xxxxx，在 https://platform.xiaomimimo.com/token-plan 订阅，从 Token Plan 页面复制专属 API Key 和专属 Base URL。
  • OpenCode Go：key 格式 sk-xxxxx，从 https://opencode.ai/auth 获取，通过 OpenCode 的 Zen Go 端点接入，Base URL 为 https://opencode.ai/zen/go/v1。

python3 scripts/mimo.py configure --plan payg
python3 scripts/mimo.py configure --plan token --base-url "https://你的专属TokenPlan地址/v1"
python3 scripts/mimo.py configure --plan opencode_go
python3 scripts/mimo.py status
python3 scripts/mimo.py check
python3 scripts/mimo.py diagnose

用户说“切换到 Token Plan / 改用 Token Plan”时运行 python3 scripts/mimo.py use --plan token；说“切换到 API Key / 改用按量付费”时运行 python3 scripts/mimo.py use --plan payg；说“切换到 OpenCode Go / 改用 OpenCode Go”时运行 python3 scripts/mimo.py use --plan opencode_go；说“查看当前配置”时运行 status。切换后立即全局生效。

安全与隐私：

• 不要在任何命令行里直接粘贴 API Key，也不要让用户把 key 贴进聊天后写进本 skill 目录；配置用 configure 的不回显输入或一次性环境变量完成。
• 默认请求走 Python 标准库，API Key 不进入进程参数；若默认通道被服务商以 HTTP 403 拒绝（如 Cloudflare 指纹拦截），脚本会自动改用 curl 重试，无需手动干预；也可显式设置 MIMO_USE_CURL=1 强制走 curl，此时 key 通过临时配置文件传递，仍不会出现在命令行。
• 所有 MiMo 请求默认直连，不经过终端或系统的 HTTP(S)_PROXY / ALL_PROXY 代理；即使 MIMO_USE_CURL=1 也会强制 --noproxy '*'。
• 异步任务结果只在当前用户目录以 600 权限暂存，poll 取走后立即删除，超过 24 小时自动清理；worker 不再把媒体内容写入任何日志。
• 复制或分享本 skill 目录不会携带真实 key/Base URL，它们保存在系统安全存储和 ~/.config/deepseek-vision/credentials.json（权限 600）；明文备份文件不能等同于系统级加密存储。

各客户端图片输入（Codex / OpenCode / Claude Code）

媒体识别统一走 MiMo；不同客户端「用户怎么把图片送进来」的机制不同。先运行 client status 看本机装了哪些客户端、各自配置是否正常，再按下表处理：

客户端	用户粘贴图片后发生了什么	处理方式	需要重启
Codex（DeepSeek 供应商）	默认禁止粘贴；~/.codex/models.json 的 input_modalities 改为 text/image/audio 后放行，图片以本地文件进入对话	client enable --client codex → 用户 Cmd+Q 重启	是
OpenCode 桌面版/TUI	图片以 base64 file part 留在 ~/.local/share/opencode/opencode.db，模型只收到占位	opencode-paste-extract 提取落盘后 analyze；不改任何配置	否
Claude Code	模型收到 [Unsupported Image] 占位，图片留在会话 jsonl 里	client enable --client claude 装 hook，或 claude-paste-extract 提取落盘后 analyze	否

python3 scripts/mimo.py client status
python3 scripts/mimo.py client enable --client codex
python3 scripts/mimo.py client enable --client claude
python3 scripts/mimo.py client restore --client codex
python3 scripts/mimo.py opencode-paste-extract            # 默认提取最新一张到 <cwd>/work/media
python3 scripts/mimo.py opencode-paste-extract --all
python3 scripts/mimo.py claude-paste-extract

Codex 注意事项（必读）：

• input_modalities 只接受 text、image、audio 三种值；绝不写入 video。写入 video 会导致整个模型目录解析失败（unknown variant "video", expected one of "text", "image", "audio"），Codex 启动时回退内置 GPT 模型，表现为“模型变成 GPT、用不了”。
• client enable --client codex 自带备份 + codex debug models 验证 + 失败自动回滚；重跑 DeepSeek 官方 setup 脚本后 models.json 会重置回 ["text"]，需要重新 enable。
• 出问题先 client status 看 catalog_valid，再用 client restore --client codex 恢复，不要删配置重跑脚本。

OpenCode 注意事项：

• 不要给 DeepSeek 声明 image 模态：OpenCode 会把图片字节编码进发给模型的请求，DeepSeek API 直接 400（unknown variant "image_url", expected "text"）。所以 OpenCode 端不做任何配置补丁。
• 用户粘贴图片后正常发消息（模型会回复“不支持图片”等占位内容），再运行 opencode-paste-extract 取回原图，落盘后 analyze。

Claude Code 注意事项：

• 粘贴图片后模型提示“图片没有成功加载”或出现 [Unsupported Image] 是正常现象，不代表图片有问题。
• 禁止用 Claude 原生 Read / 本地视觉能力读图；图片一律从会话 jsonl 提取（hook 或 claude-paste-extract）或让用户给路径，再走 MiMo。

兜底方案（所有客户端通用）：让用户把图片/音频/视频存到 work/media 再发路径，直接 analyze / asr，不需要任何客户端配置；视频一律走文件路径 + --fps，不声明为输入类型。

处理非文本内容

# 图片/音频/视频理解
python3 scripts/mimo.py analyze --files /path/to/file.png --prompt "描述这张图片"
python3 scripts/mimo.py analyze --files /path/to/video.mp4 --prompt "总结视频内容" --fps 1
python3 scripts/mimo.py analyze --urls https://example.com/a.mp3 --prompt "这段音频说了什么"
python3 scripts/mimo.py analyze /path/to/file.png 描述这张图片
python3 scripts/mimo.py analyze --url https://example.com/a.jpg 这张图里有什么

# 音频转文字/听写
python3 scripts/mimo.py asr --file /path/to/audio.mp3 --language auto

# 注意：OpenCode Go 渠道不支持音频处理（analyze 与 ASR 均不可用）；音频请求会自动回退到已配置的官方渠道（payg/token），未配置官方渠道时会报错提示先 configure --plan payg/token。
# 注意：m4a 音频在官方渠道 Base64 输入不兼容（官方端点限制，实测 400），脚本会自动用 ffmpeg 转码为 mp3 后处理；本机需安装 ffmpeg。

# 不发送请求，只检查请求体（key 与 Base URL 会脱敏）
python3 scripts/mimo.py analyze --files /path/to/file.png --prompt "测试" --dry-run

MiMo 处理图片/音频/视频通常需要几十秒到几分钟，脚本默认请求超时 180 秒，不要在 60 秒左右就判定失败。遇到大文件或高峰期仍超时时，可提高超时后再试：

MIMO_TIMEOUT=300 python3 scripts/mimo.py analyze --files /path/to/video.mp4 --prompt "总结视频内容"
python3 scripts/mimo.py analyze --files /path/to/file.png --prompt "描述这张图片" --timeout 300

多对话或识别可能较久时，优先使用后台排队模式，避免长时间占用当前对话的命令会话：

python3 scripts/mimo.py analyze --files /path/to/file.png --prompt "描述这张图片" --async
# 返回 job_id 后轮询结果；--wait 尽量给足时间
python3 scripts/mimo.py poll --job <job_id> --wait 120

poll 返回 status: pending 时稍等再轮询；返回 done 后输出与同步模式相同的 JSON，error 则输出明确错误。后台任务由独立进程执行，不会阻塞当前对话。

如果对话中途被中断，后台任务仍会继续运行。重新打开对话后运行 python3 scripts/mimo.py jobs 查看任务，再用 python3 scripts/mimo.py poll --job <job_id> --wait 120 取回结果。

脚本输出 JSON，取 content 字段作为 MiMo 的处理结果。信息不足时可以继续用更小的问题或更高的 --max-tokens 再请求一次，但不要臆测媒体内容。

脚本返回 truncated: true（即 finish_reason=length）时，说明 MiMo 的回答被 --max-tokens 截断，脚本最多自动把输出上限补到 4096（用户指定更高上限时按两倍补一次）；这种内容不能当完整答案交给用户，应提高 --max-tokens 重新请求，或让 MiMo 用更短的方式回答。

如果 content 为空但返回 reasoning_fallback: true，说明 MiMo 只返回了 reasoning_content；此时要把内容标明为模型推理过程，不能当作正式回答。

以上命令请在 skill 安装目录下运行；如果当前目录不是 skill，可先 cd 到安装目录，或直接使用绝对路径调用 scripts/mimo.py。非交互式配置可通过 MIMO_API_KEY 环境变量提供 key，Token Plan 再通过 --base-url 提供专属 Base URL。

禁止承诺式回复

• 不要先输出“我正把图片交给视觉模型识别，稍后告诉你”这类话然后结束；必须实际运行 mimo.py 并拿到 JSON 结果后才回答。
• 最终回答必须基于脚本返回的 content，并在同一条回复里给出结果和 MiMo 用量说明；不要在拿到结果前向用户承诺任何内容。
• 如果不知道附件在本机的实际路径，先查找用户消息中的文件路径；找不到就直接向用户索要路径，不要假装已经发送给 MiMo。
• 如果脚本报错，把脱敏后的错误信息和修复建议直接告诉用户，不要只说“正在处理”或“稍后再试”。

使用 MiMo 后必须告知用量

只要本次回答使用了 MiMo，最终回复必须追加一句简短说明：

• Token Plan：已通过 MiMo V2.5 处理 · Token Plan · 本次约 N tokens
• 按量付费：已通过 MiMo V2.5 处理 · 按量付费 · 本次约 ¥0.xxxx
• OpenCode Go：已通过 MiMo V2.5 处理 · OpenCode Go · 本次约 N tokens

按量付费金额来自脚本返回的 cost_cny；Token Plan 与 OpenCode Go 的 token 数来自 tokens。如果 cost_cny 为 null，说明无法精确计价，应注明“金额以官方账单为准”。

错误处理

• 遇到错误先自行处理：网络/429/5xx 自动重试；文件超限或格式不支持先压缩、转码或改用公网 URL；finish_reason=length 时提高 --max-tokens 或缩小问题；认证失败先检查 key 前缀、active plan、Base URL 是否匹配，并提示重新 configure 或切换 plan。
• 如果脚本返回 请求超时：说明 MiMo 处理时间超过了当前超时；不要原地重复同样命令，应改用 --async 后台排队，或通过 MIMO_TIMEOUT/--timeout 把超时提高到 300 秒以上再试。
• 如果脚本报 Could not resolve host / DNS 错误，说明当前任务没有可用的网络访问；先重试一次，仍失败就直接告诉用户检查当前 agent 的网络或工具权限，不要反复猜测或伪装成功。
• 遇到“无法连接网络”时先运行 python3 scripts/mimo.py diagnose；若返回 dns_ok: false 或 network_ok: false，说明当前对话本身没有网络权限，应让用户在该对话开启网络/完全访问后重试，而不是继续重复请求。
• 多个对话可以并行使用本 skill；如果某个对话正在执行长时间识别，另一个对话稍等重试即可，不要在同一对话里并发启动多个 analyze 命令。
• 自行处理仍失败时，必须明确告诉用户：哪一步失败、错误码/API 原始错误信息（脱敏）、文件路径与大小、建议的修复动作。
• 不得静默忽略错误、不得伪装成功、不得猜测媒体内容、不得泄露 key 或完整 Base URL。

跨平台说明

• macOS：优先使用 Keychain。
• Windows：优先使用 DPAPI 加密凭据。
• Linux/其他：回退到用户目录下权限受限的 JSON 配置。
• 所有路径由 Python pathlib/环境变量计算，不依赖 POSIX 专属写法。