vision

Image analysis using Google Gemini vision models. Use when user needs to: (1) Describe what's in an image, (2) Extract text from images (OCR), (3) Analyze visual content, (4) Compare images, (5) Answer questions about images. Supports JPG, PNG, GIF, WebP formats.

vision — 让无视觉模型"看图"的 Skill

模型本身看不了图片时（用户发截图/报错图/UI 图/设计稿），用本项目脚本把图片 交给 Google Vertex AI 视觉模型（Gemini），把文字描述/分析结果带回对话。

触发场景

• 用户发了截图/图片路径，但主模型无法直接读取图像内容
• 需要分析 UI 截图、错误弹窗、棋盘画面、日志截图、图表、设计稿等
• 模型需要"看到"某张图才能继续任务

用法

bash

python3 ~/.claude/skills/vision/scripts/see.py <图片路径或URL> "<要问的问题>"

例：

bash

python3 ~/.claude/skills/vision/scripts/see.py shot.png "这是游戏棋盘截图，描述你看到的内容，棋盘边缘是否有虚空/空洞？"

环境要求（复用项目已有配置）

• GOOGLE_API_KEY（gen-image 工具链同款，已在用）
• GOOGLE_CLOUD_PROJECT（Vertex project id）
• 可选 VISION_MODEL：默认 gemini-2.5-flash
• 可选 VISION_LOCATION：默认 global

无需额外安装（纯标准库 urllib + base64；图片用 PNG 重编码，不依赖 pillow 时可跳过重编码）。

注意

• 输出是模型的文字回复，直接转述给用户即可，不要声称"自己看到了图"。
• 一次只发一张图；多图就多次调用。