MJorgin Vision Review（读图 / OCR / 视觉检查）
用于显式视觉审查工作流：截图 QA、图片内容描述、OCR、水印/Logo 检测、界面布局问题检查，以及给程序化流程输出结构化证据。DSH v0.1.6 的原生多模态附件可直接对话；本技能适合需要脚本、故障转移链或 JSON 证据时使用。
用法
从本技能目录运行：
python3 scripts/vision.py <图片路径...> [--prompt="..."] [--provider=NAME] [--structured] [--doctor]
常用示例：
python3 scripts/vision.py screenshot.png
python3 scripts/vision.py a.png b.png --structured
python3 scripts/vision.py page.png --provider=siliconflow-qwen
python3 scripts/vision.py page.png --prompt="检查标题、按钮和图表是否重叠，并指出位置"
python3 scripts/vision.py --doctor
行为
- 可一次传多张图；每张图会压缩成 JPEG，边长随批内张数自适应：1–2 张 1024px，3–4 张 768px，5 张 512px。
- GLM-4V-Flash 单请求最多 5 张图；超过 5 张自动分批。
- 默认 prompt 检查渲染完整性、文字重叠/溢出/错位、配色层次、水印和明显视觉 bug。
--structured输出结构化 JSON：summary、ocr.full_text、layout.regions、semantics、visual、uncertainty；多批时输出results数组。--provider=NAME固定单个引擎，不做故障转移。可用名包括zhipu-glm、deepseek、siliconflow-qwen、sensenova、gemini和自定义 fallback 名称。--doctor检查 Pillow、已配置 key、候选模型和端点连通性。遇到引擎异常时先运行它。
引擎链
脚本按以下顺序尝试；可选引擎只有检测到对应 key 时才加入：
- 智谱
glm-4v-flash（主引擎，GLM_API_KEY；输出上限 1024）。 - DeepSeek 视觉模型（
DEEPSEEK_API_KEY，付费可选；默认deepseek-v4-flash-vision-exp，可用DEEPSEEK_VISION_MODEL覆盖）。 - SiliconFlow Qwen3-VL（
SILICONFLOW_API_KEY；默认Qwen/Qwen3-VL-8B-Instruct，可用SILICONFLOW_VISION_MODEL覆盖）。 - SenseNova（
SENSENOVA_API_KEY；默认sensenova-6.8-flash-lite，可用SENSENOVA_VISION_MODEL覆盖）。 - Gemini OpenAI-compatible endpoint（
GEMINI_API_KEY；默认gemini-3.6-flash，可用GEMINI_MODEL覆盖）。 VISION_FALLBACKS中声明的任意 OpenAI 兼容多模态引擎。
VISION_FALLBACKS 是 JSON 数组，每项包含 name、baseUrl、model，可选 apiKeyEnv、maxTokens、jsonObject。
密钥来源
按顺序读取：
- 进程环境变量；
~/.dsh/secrets/media-tools.env；~/.codex/secrets/media-tools.env（历史兼容）；~/.dsh/.credentials.yaml中的顶层 key 或refs子映射。
Secrets 文件每行一个 KEY=value，建议权限 600。永远不要把 key 提交到仓库、写入技能文件或粘贴到公开产物中。
网络和隐私
- 图片只发送给实际调用的服务商 API；本仓库和插件本身不提供中转端点。
- Gemini 可通过
GEMINI_PROXY或HTTPS_PROXY走代理；其他引擎仍可直连。 - Google AI Studio 免费档的数据条款可能允许用请求改进产品；内部文档、证件、客户资料等敏感图片应优先使用组织批准的国内引擎。
- 不要在公开仓库或摘要中复现图片里的个人信息、证件号、电话、客户数据或内部材料。
依赖
Python 3.9+。图片压缩使用 Pillow；缺失时脚本会提示安装：
python3 -m pip install Pillow