see-skill
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.
Badge for your README
Markdown
[](/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
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)
- <p align="center">
- <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">
- </p>
- 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。
- ## 不要拖图
- 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。
- 把图片保存到本地,发送路径或 URL,或显式输入 `$see`:
- ```text
- 使用 see 查看 /Users/me/Desktop/error.png
- ```
- ```text
- $see
- ```
- 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。
- ## 安装
- 把下面这句话发给 Agent:
- ```text
- 安装 https://github.com/oil-oil/see-skill skill
- ```
- 安装完成后说:
- ```text
- 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:
- ```bash
- # 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。
- ## 直接使用
- 像平常一样告诉 AI 图片在哪里、想看什么:
- ```text
- 看看 /path/to/screenshot.png
- ```
- ```text
- 识别 /path/to/error.png 里的报错,并告诉我怎么修
- ```
- ```text
- 并行查看 a.png、b.png、c.png
- ```
- ```text
- 比较 before.png 和 after.png 的界面变化
- ```
- ```text
- 总结 /path/to/demo.mp4 的内容
- ```
- AI 只需要调用一个脚本:
- ```bash
- # 单图
- see/scripts/see.sh screenshot.png
- # 多图独立分析,默认并行
- see/scripts/see.sh a.png b.png c.png
- # 多图联合理解
- see/scripts/see.sh --together before.png after.png --task "比较界面变化"
- # 完整视频理解
- see/scripts/see.sh demo.mp4
- ```
- ## 为什么更接近原生视觉
- - 图片原图直接发送,不预先 OCR、缩放或压缩。
- - 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。
- - 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。
- - 用户问题通过 `--task` 原样交给视觉模型,不套固定报告模板。
- - 视觉模型同时理解对象、布局、空间关系、界面状态和文字。
- - 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。
- 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。
- ## 并行与联合
- | 场景 | 模式 | 行为 |
- |---|---|---|
- | 多张图片互不相关 | 默认 | 并行请求,结果按输入顺序汇总 |
- | 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 |
- | 只有本地能力可用 | 自动降级 | 多张图片继续并行分析 |
- ## 供应商
- | 供应商 | 默认模型 | Key 变量 |
- |---|---|---|
- | ZenMux | `qwen/qwen3.7-plus` | `ZENMUX_API_KEY` |
- | 百炼 | `qwen3.7-plus` | `DASHSCOPE_API_KEY` |
- | OpenRouter | `qwen/qwen3.7-plus` | `OPENROUTER_API_KEY` |
- | TokenDance | `qwen3.7-plus` | `TOKENDANCE_API_KEY` |
- | 本地 | 系统视觉 / OCR | 不需要 |
- 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。
- 视频模型自动选择:
- | 供应商 | 默认视频模型 | 输入 |
- |---|---|---|
- | ZenMux | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 |
- | OpenRouter | `google/gemini-3.1-flash-lite` | 完整视频 + 音频 |
- | 百炼 | `qwen3.7-plus` | 完整视频 |
- | TokenDance | `qwen3.7-plus` | 完整视频 |
- 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。
- ## Onboard 与 Key 保存
- 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:
- ```bash
- python3 see/scripts/onboard.py
- # 仅明确要求修改全局规则时:python3 see/scripts/onboard.py --install-agents
- python3 see/scripts/onboard.py --status
- ```
- 私有配置位置:
- - macOS / Linux:`~/.config/see/config.env`
- - Windows:`%APPDATA%\see\config.env`
- 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。
- 高级用户也可以直接设置:
- ```bash
- export SEE_PROVIDER=zenmux
- # ZENMUX_API_KEY 由可信运行环境注入,不在命令正文填写
- ```
- 不要把真实 Key 提交到 Git。
- ## 本地降级
- ```text
- macOS → 系统 Vision OCR → Tesseract
- Windows → Windows OCR → Tesseract
- Linux → Tesseract
- ```
- 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。
- 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。
- 检查本地后端:
- ```bash
- python3 see/scripts/onboard.py --status
- ```
- 如果显示不可用:
- - macOS:升级到 macOS 10.15 或更高版本。
- - Windows:设置 → 时间和语言 → 语言和区域 → 语言选项,安装 OCR。
- - Ubuntu / Debian:`sudo apt install tesseract-ocr tesseract-ocr-chi-sim`。
- ## 参数
- 日常使用只需要图片路径。其余参数按需使用:
- | 参数 | 用途 |
- |---|---|
- | `--task "问题"` | 原样发送给视觉模型 |
- | `--together` | 多图放进同一次请求 |
- | `--jobs 4` | 多图并发数 |
- | `--provider NAME` | 临时指定供应商 |
- | `--model NAME` | 临时覆盖当前媒体模型 |
- | `--ocr-backend system` | 指定本地系统能力 |
- | `-o result.md` | 指定结果文件 |
- 成功后 stdout 只输出:
- ```text
- output_path=/absolute/path/result.md
- ```
- 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。
- ## 支持范围
- - 支持本地图片、视频和 HTTP / HTTPS URL。
- - 支持多文件并行;`--together` 用于多图联合理解。
- - 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。
- - 下载上限为 512 MB。
- - 不负责网页视频提取。
- - 需要 Python 3;云端调用不依赖第三方 Python 包。
- - 视频压缩需要 FFmpeg。
- ## 文件结构
- ```text
- see/
- ├── SKILL.md
- ├── agents/
- │ └── openai.yaml
- └── scripts/
- ├── see.sh
- ├── onboard.py
- ├── parse_media.py
- ├── ocr_macos.js
- ├── ocr_macos.swift
- └── ocr_windows.ps1
- ```
- ## License
- [MIT](./LICENSE) © 2026 oil-oil
- ## 凭据与数据边界
- 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。
- ## API Key 配置页面
- 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。
- 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 inFree to use. If it’s helped, pass it on.