Skip to content
Back to search

see-skill

SkillWorks with CodexGitHub

Vision & image analysis skill for Claude Code & Codex. 帮不能看图的模型看懂图片和视频。

Safety scan

A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.

Checked today
Badge for your README
findsafeskills safety rating

Markdown

[![findsafeskills safety rating](/api/listings/oil-oil--see-skill/badge.svg)](/listings/oil-oil--see-skill)

HTML

<a href="/listings/oil-oil--see-skill"><img src="/api/listings/oil-oil--see-skill/badge.svg" alt="findsafeskills safety rating" /></a>

Install

i

Install instructions from the README

As written by the repo's author. findsafeskills has not verified these steps.

把下面这句话发给 Agent:

安装 https://github.com/oil-oil/see-skill skill

安装完成后说:

帮我配置 see

Agent 会按[配置说明](see/references/api-key-setup.md)展示本机页面。选择实际使用的服务后,由你亲自填写 Key;保存后经对应 run 入口启动分析。

没有多模态 Key 也能使用,onboard 时选择 `local` 即可。

只补 Codex 拒绝覆盖、不改供应商时:

# 仅明确要求修改全局规则时:python3 see/scripts/onboard.py --install-agents

安装 Skill 不会更换右下角的主模型。继续显示原来的文本模型是正常的,`see` 只在查看媒体时调用视觉后端。

What was scanned

The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.

README.md · README · 241 lines

View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)

  1. <p align="center">
  2. <img src="./assets/readme/hero.svg" width="100%" alt="see 为任何不支持多模态的模型补充原生图片与视频理解">
  3. </p>
  4. 分析图片、截图和视频,输出可阅读的媒体报告,并在适用时使用本地文字识别。
  5. ## 不要拖图
  6. 如果当前宿主在 Skill 启动前拒绝图片附件,可以提供可读的本地路径;不能据此断言所有宿主都会拒绝附件。
  7. 把图片保存到本地,发送路径或 URL,或显式输入 `$see`:
  8. ```text
  9. 使用 see 查看 /Users/me/Desktop/error.png
  10. ```
  11. ```text
  12. $see
  13. ```
  14. 配置凭据不会修改全局规则。只有用户明确要求全局接入时才运行 `onboard.py --install-agents`;它是可选适配,不是图片分析的前置步骤。
  15. ## 安装
  16. 把下面这句话发给 Agent:
  17. ```text
  18. 安装 https://github.com/oil-oil/see-skill skill
  19. ```
  20. 安装完成后说:
  21. ```text
  22. 帮我配置 see
  23. ```
  24. Agent 会按[配置说明](see/references/api-key-setup.md)展示本机页面。选择实际使用的服务后,由你亲自填写 Key;保存后经对应 run 入口启动分析。
  25. 没有多模态 Key 也能使用,onboard 时选择 `local` 即可。
  26. 只补 Codex 拒绝覆盖、不改供应商时:
  27. ```bash
  28. # 仅明确要求修改全局规则时:python3 see/scripts/onboard.py --install-agents
  29. ```
  30. 安装 Skill 不会更换右下角的主模型。继续显示原来的文本模型是正常的,`see` 只在查看媒体时调用视觉后端。
  31. ## 直接使用
  32. 像平常一样告诉 AI 图片在哪里、想看什么:
  33. ```text
  34. 看看 /path/to/screenshot.png
  35. ```
  36. ```text
  37. 识别 /path/to/error.png 里的报错,并告诉我怎么修
  38. ```
  39. ```text
  40. 并行查看 a.png、b.png、c.png
  41. ```
  42. ```text
  43. 比较 before.png 和 after.png 的界面变化
  44. ```
  45. ```text
  46. 总结 /path/to/demo.mp4 的内容
  47. ```
  48. AI 只需要调用一个脚本:
  49. ```bash
  50. # 单图
  51. see/scripts/see.sh screenshot.png
  52. # 多图独立分析,默认并行
  53. see/scripts/see.sh a.png b.png c.png
  54. # 多图联合理解
  55. see/scripts/see.sh --together before.png after.png --task "比较界面变化"
  56. # 完整视频理解
  57. see/scripts/see.sh demo.mp4
  58. ```
  59. ## 为什么更接近原生视觉
  60. - 图片原图直接发送,不预先 OCR、缩放或压缩。
  61. - 视频保持完整时间线和音频,直接使用模型原生视频能力,不在 Skill 内抽帧。
  62. - 4K、高帧率或大体积视频自动压缩为清晰的 H.264 MP4,减少上传时间。
  63. - 用户问题通过 `--task` 原样交给视觉模型,不套固定报告模板。
  64. - 视觉模型同时理解对象、布局、空间关系、界面状态和文字。
  65. - 云端结果直接返回给主模型,减少“先泛化描述、再二次推理”的信息损失。
  66. 纯文本主模型最终仍然接收文字结果,因此不可能和同一个模型原生拥有视觉完全相同;但这是外接视觉模型时信息损失最少的方式。
  67. ## 并行与联合
  68. | 场景 | 模式 | 行为 |
  69. |---|---|---|
  70. | 多张图片互不相关 | 默认 | 并行请求,结果按输入顺序汇总 |
  71. | 前后对比、连续截图、组合证据 | `--together` | 所有原图进入同一次多模态请求 |
  72. | 只有本地能力可用 | 自动降级 | 多张图片继续并行分析 |
  73. ## 供应商
  74. | 供应商 | 默认模型 | Key 变量 |
  75. |---|---|---|
  76. | ZenMux | `qwen/qwen3.7-plus` | `ZENMUX_API_KEY` |
  77. | 百炼 | `qwen3.7-plus` | `DASHSCOPE_API_KEY` |
  78. | OpenRouter | `qwen/qwen3.7-plus` | `OPENROUTER_API_KEY` |
  79. | TokenDance | `qwen3.7-plus` | `TOKENDANCE_API_KEY` |
  80. | 本地 | 系统视觉 / OCR | 不需要 |
  81. 图片会按配置顺序尝试供应商,全部失败才进入本地视觉分析;视频使用下方的独立路由。
  82. 视频模型自动选择:
  83. | 供应商 | 默认视频模型 | 输入 |
  84. |---|---|---|
  85. | ZenMux | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 |
  86. | OpenRouter | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 |
  87. | 百炼 | `qwen3.7-plus` | 完整视频 |
  88. | TokenDance | `qwen3.7-plus` | 完整视频 |
  89. 视频不会降级为抽帧;没有支持视频的云端 Key 时会直接提示配置。
  90. ## Onboard 与 Key 保存
  91. 新 Key 使用固定页面,云端执行通过对应配置的 run 包装器。旧 Onboard 保留给用户主动选择的终端配置、路由调整和本地模式:
  92. ```bash
  93. python3 see/scripts/onboard.py
  94. # 仅明确要求修改全局规则时:python3 see/scripts/onboard.py --install-agents
  95. python3 see/scripts/onboard.py --status
  96. ```
  97. 私有配置位置:
  98. - macOS / Linux:`~/.config/see/config.env`
  99. - Windows:`%APPDATA%\see\config.env`
  100. 普通配置保存供应商、模型和系统凭据引用,并限制为仅当前用户可读写;新密钥不写入该文件。环境变量优先级最高,适合 CI 或不希望落盘的用户;项目 `.env.local` 其次,用户私有配置最后。
  101. 高级用户也可以直接设置:
  102. ```bash
  103. export SEE_PROVIDER=zenmux
  104. # ZENMUX_API_KEY 由可信运行环境注入,不在命令正文填写
  105. ```
  106. 不要把真实 Key 提交到 Git。
  107. ## 本地降级
  108. ```text
  109. macOS → 系统 Vision OCR → Tesseract
  110. Windows → Windows OCR → Tesseract
  111. Linux → Tesseract
  112. ```
  113. macOS Vision 通过系统自带的 `osascript` 调用,不需要 Xcode、Swift 或额外 Key;如果设备已经有 Swift,会自动启用增强分析。Windows OCR 也是系统能力,但需要安装 OCR 语言。Tesseract 是最后兜底,需要用户自行安装。
  114. macOS 的 Swift 增强路径还会返回场景分类、人物/人脸、条码和基础图形结构;这些线索仍不能替代多模态模型的完整语义理解。其他本地路径目前以 OCR 为主。
  115. 检查本地后端:
  116. ```bash
  117. python3 see/scripts/onboard.py --status
  118. ```
  119. 如果显示不可用:
  120. - macOS:升级到 macOS 10.15 或更高版本。
  121. - Windows:设置 → 时间和语言 → 语言和区域 → 语言选项,安装 OCR。
  122. - Ubuntu / Debian:`sudo apt install tesseract-ocr tesseract-ocr-chi-sim`。
  123. ## 参数
  124. 日常使用只需要图片路径。其余参数按需使用:
  125. | 参数 | 用途 |
  126. |---|---|
  127. | `--task "问题"` | 原样发送给视觉模型 |
  128. | `--together` | 多图放进同一次请求 |
  129. | `--jobs 4` | 多图并发数 |
  130. | `--provider NAME` | 临时指定供应商 |
  131. | `--model NAME` | 临时覆盖当前媒体模型 |
  132. | `--ocr-backend system` | 指定本地系统能力 |
  133. | `-o result.md` | 指定结果文件 |
  134. 成功后 stdout 只输出:
  135. ```text
  136. output_path=/absolute/path/result.md
  137. ```
  138. 结果 Markdown 会记录实际后端、模型、单图/并行/联合模式,以及每次路由是否成功,方便 AI 判断有没有发生降级。
  139. ## 支持范围
  140. - 支持本地图片、视频和 HTTP / HTTPS URL。
  141. - 支持多文件并行;`--together` 用于多图联合理解。
  142. - 视频自动压缩为最长边 1920、2 fps、H.264 和 AAC;超出上传预算时自动切换紧凑档。
  143. - 下载上限为 512 MB。
  144. - 不负责网页视频提取。
  145. - 需要 Python 3;云端调用不依赖第三方 Python 包。
  146. - 视频压缩需要 FFmpeg。
  147. ## 文件结构
  148. ```text
  149. see/
  150. ├── SKILL.md
  151. ├── agents/
  152. │ └── openai.yaml
  153. └── scripts/
  154. ├── see.sh
  155. ├── onboard.py
  156. ├── parse_media.py
  157. ├── ocr_macos.js
  158. ├── ocr_macos.swift
  159. └── ocr_windows.ps1
  160. ```
  161. ## License
  162. [MIT](./LICENSE) © 2026 oil-oil
  163. ## 凭据与数据边界
  164. 云端分析会把选定媒体发给所选供应商,可能计费;本地 OCR 不等于完整视觉理解。新密钥通过随附本机配置页存入系统凭据库,普通配置只保存引用。先用任务 Python 环境安装 `see/scripts/requirements-credentials.txt`(Skill 内相对路径为 `scripts/requirements-credentials.txt`)。不把 Key 发到聊天、命令参数或日志。旧明文配置不会自动迁移或覆盖:入口会先停止,提示备份后重新配置。状态检查只确认来源,API 验证成功才代表可用。全局指令写入仅在明确调用 `--install-agents` 时发生。
  165. ## API Key 配置页面
  166. 首次使用外部服务时,可以在本机配置页亲自填写 Key;已有配置会复用,密钥存入系统凭据库。只为实际使用的外部服务配置;纯本地处理不需要 Key。页面需要 Node.js 22.18+ 与可用的系统凭据服务,业务运行仍使用原依赖。
  167. 安装、状态检查、打开页面和带凭据运行的完整入口见[配置说明](see/references/api-key-setup.md)。页面保存与业务读取已经接通;不把 Key 发进聊天,也不自动迁移旧文件。

Ratings and comments

Sign in to rate this skill.

Sign in

Free to use. If it’s helped, pass it on.