DDDFXYqiming 识图技能
当主模型不支持直接读取图片时，图片不会进入对话上下文，但用户消息中通常会附带图片的本地路径（形如剪贴板截图或附件路径）。
配置（首次使用）
复制
templates/.env.example为技能目录下的.env（脚本启动时自动加载，无需额外依赖），填入：VISION_API_URL：视觉模型 OpenAI 兼容完整接口地址（含路径，如https://api.example.com/v1/chat/completions）VISION_MODEL：模型名VISION_API_KEY：API Key
也可以直接导出同名环境变量；环境变量优先级高于
.env文件（便于 CI/容器注入）。运行
python scripts/vision.py --check自检，确认配置生效。
使用步骤
从用户消息中找到图片路径；路径不明确时先找最近的剪贴板截图：
Get-ChildItem $env:TEMP\codex-clipboard-*.png | Sort-Object LastWriteTime -Descending | Select-Object -First 3 FullName,Length运行脚本识别图片：
cd <技能目录>; python scripts/vision.py "<图片绝对路径>" "（可选）具体识图要求"基于脚本输出的文字描述回答用户；描述中的重要文字、报错信息要原样转述。
常用选项（按场景选择）
| 场景 | 命令 |
|---|---|
| 一般识图 | vision.py "<图>" |
| 提取所有文字（OCR，保持排版） | vision.py "<图>" --mode ocr |
| 表格/数据截图转 Markdown 表格 | vision.py "<图>" --mode table |
| 代码/日志/报错截图 | vision.py "<图>" --mode code 或 --mode error |
| 小字看不清：先全图定位，再裁局部放大读 | vision.py "<图>" --crop x1,y1,x2,y2 --budget large |
| 多张图对比 / 批量读 | vision.py "a.png" --images "b.png" "c.png" --prompt "对比这两张" |
| 高分辨率细节（4K 截图小字） | vision.py "<图>" --budget large |
| 原图直发（不缩放） | vision.py "<图>" --no-resize |
| 环境自检（配置/PIL/接口） | vision.py --check |
高质量识图工作流
- 先整体：用默认参数读一遍，拿到全局描述并定位疑点（小字、报错、表格局部）。
- 再局部：对疑点区域用
--crop x1,y1,x2,y2裁出来，配合--budget large放大后再读，直到信息足够。 - 关键内容原样转述：报错码、数字、代码、日志必须逐字转述，不概括、不脑补。
--crop 坐标为原图像素坐标（左上角为原点）；--save-crop 路径 可把实际发送的裁切图存下来复核。
注意
- 不要假装看到了图片，必须先运行脚本拿到描述再回答。
- 脚本报错（文件不存在、超过大小限制、未配置、API 失败）时如实转述错误并给出建议。
- 多张图一起发送时，
--crop只作用于第一张主图。 - 脚本默认关闭模型思考（
thinking: disabled，识图更快）；模型不支持该参数时删掉对应字段，或改为adaptive开启。 - 输出乱码（旧版控制台代码页 936）时先执行
[Console]::OutputEncoding = [System.Text.Encoding]::UTF8; $env:PYTHONIOENCODING='utf-8'再跑脚本；脚本本身已对交互终端/管道分别处理编码。 - 脚本重定向到文件时产物是 UTF-8，读取用
Get-Content -Encoding UTF8，否则中文会花。
安装到具体宿主
- DSH 接入（含框架补丁步骤，人类安装者才需要）：references/dsh-integration.md