ds-vision-skill

name	ds-vision-skill
metadata	{"version":"0.5.1","repository":"https://github.com/Sorwcyra/ds-vision-skill"}
description	为纯文本推理模型补充视觉能力。用户提供图片、截图、照片、图表、UI 截图、代码截图、数学题图片、 扫描件、PDF 或文档，并要求描述、理解、推理、阅读、OCR、提取文字、解析图表或分析内容时使用。 默认调用 scripts/vision-router.ps1 做自动路由：图片理解先走免费竞速池 GLM/Agnes，再走 custom-1/custom-2/custom-3/local，文档解析走 MinerU， 纯文字识别走 Baidu OCR 或 Windows OCR。所有工具输出标准 JSON，再交给主模型推理和总结。

DS Vision Skill

这个 skill 负责把视觉输入转换成文本或结构化 JSON。它不替代主模型，只负责识别任务、选择工具、执行视觉/OCR/文档解析，并把结果交给主模型继续推理。

首选入口

优先使用统一路由脚本：

powershell.exe -NoProfile -ExecutionPolicy Bypass -File scripts/vision-router.ps1 -Path "path/to/file.png" -Prompt "user request" -Intent auto -Json

如果 harness 默认使用 cmd.exe（例如 Zcode 或某些 Codex/Hermes 包装器），优先调用 scripts/setup.cmd 和 scripts/vision-router.cmd。不要把 PowerShell 专用语法或 <KEY> 占位符粘到 cmd.exe 中；cmd.exe 会把尖括号当成重定向符号，配置 key 时请使用 "YOUR_KEY" 这样的引号占位或真实引号值。

常用参数：

• -Intent auto|reason|ocr|document：默认 auto。图片默认走视觉理解免费竞速池；纯 OCR 请显式使用 -Intent ocr。
• -Complex：图表、数学、复杂 UI、代码截图、多步骤视觉推理时启用。
• -AccurateOcr：票据、扫描件、低清晰度文字识别时启用百度高精度 OCR。
• -MaxTokens：限制视觉模型输出长度，默认 1024；-Complex 未显式设置时使用 2048。
• -TimeoutSec：整场视觉竞速的最长等待时间，默认 90 秒。
• -NoCache：跳过缓存读取，也不写入本次结果。

只有在需要调试单个通道时，才直接调用底层脚本。

路由规则

1. PDF、论文、报告、长文档、多页扫描件：使用 scripts/mineru-extract.ps1 -FilePath <file> -Mode flash -Json。如果配置了 MINERU_TOKEN 且 flash 失败，再尝试 -Mode extract。
2. 图片且需要理解/推理：使用 scripts/vision-router.ps1，让 agnes-2.5-flash、agnes-2.0-flash、glm、glm-thinking 四个模型同时开始竞速；谁先成功返回就采用谁的结果。如果全部失败，再降级到 custom-1、custom-2、custom-3 和 local。
3. 图片默认进入视觉理解免费竞速池；需要纯文字识别时显式使用 -Intent ocr，优先 scripts/baidu-ocr.ps1 -ImagePath <file> -Json；未配置或失败时用 scripts/windows-ocr.ps1 -ImagePath <file> -Json。
4. 无法判断时：使用 vision-router.ps1 -Intent auto -Complex -Json。

降级链

• 视觉理解：race(agnes-2.5-flash, agnes-2.0-flash, glm, glm-thinking) -> custom-1 -> custom-2 -> custom-3 -> local。
• 文档解析：mineru flash -> mineru extract。
• OCR：baidu-ocr -> windows-ocr -> vision reasoning。
• 同一通道遇到 401、403、429、网络错误或空结果时，不要反复重试；直接切换下一通道。

输出规范

所有脚本在 -Json 模式下输出：

{
  "task_type": "image_reasoning | document_parsing | ocr",
  "tool_used": "actual tool or model",
  "confidence": "high | medium | low",
  "result": "recognized or parsed content",
  "metadata": {}
}

主模型继续推理时，优先使用 result 字段。向用户报告时可简要说明 tool_used 和必要的降级过程。

预检

只在首次配置、诊断问题或所有通道失败时运行；正常执行不要在每次分析前运行：

powershell.exe -NoProfile -ExecutionPolicy Bypass -File scripts/preflight.ps1
powershell.exe -NoProfile -ExecutionPolicy Bypass -File scripts/preflight.ps1 -Json

-Json 用于自动化读取通道、工具和本地运行时状态。

隐私

云端通道会把文件内容发送给对应服务商。用户明确关注隐私、合同、证件、医疗、财务等敏感内容时，优先使用 Windows OCR、本地模型或先征求确认。

维护约定

• PowerShell 脚本源码保持 ASCII-only，中文通过参数传入。
• 面向用户的 Markdown 文档使用 UTF-8。
• 面向 harness 或新用户的可复制 Windows 命令必须显式选择 shell：配置用 scripts/setup.cmd，路由用 scripts/vision-router.cmd，或完整写出 powershell.exe -NoProfile -ExecutionPolicy Bypass -File ...。不要在 cmd 示例中使用 <KEY> 形式的占位符。
• 新增通道时优先接入 vision-router.ps1，再补充 README 和 references/channels.md。
• 评估性能或发布版本时先阅读跨版本基准方法与数据，并用 scripts/benchmark-race.ps1 复现；不要仅凭单次 Live 请求下结论。