DSH Vision Skill

Give text-only AI agents eyes. Paste a screenshot, provide a local image, or share an image URL; the skill sends it to Gemini or an OpenAI-compatible vision API and returns useful text.

让纯文本 AI Agent 一键看图：支持剪贴板、本地图片和图片 URL，零 npm 依赖，并自动优化大图。

中文 · English

中文

为什么使用

• 直接粘贴截图：不必先保存文件或寻找路径
• 零 npm 依赖：只需要 Node.js；macOS 和 Windows 使用系统自带工具读取剪贴板
• 自动优化大图：默认将最长边缩至 2048px，减少 base64 体积和等待时间
• 多种视觉模型：支持 Gemini 原生 API、阿里云百炼及其他 OpenAI 兼容服务
• 保护本地配置：API Key 保存在被 Git 忽略的 .env；临时图片使用后自动清理

一行安装

git clone --depth 1 https://github.com/shajinhui/dsh-vision-skill ~/.dsh/skills/dsh-vision-skill

也可以把仓库复制到项目级目录：<项目根>/.dsh/skills/dsh-vision-skill/。DSH 会自动发现 Skill，新会话即可使用。

配置

cd ~/.dsh/skills/dsh-vision-skill
cp .env.example .env
# 编辑 .env，填入 VISION_API_KEY

服务	默认模型	配置方式
Gemini（推荐）	gemini-3.1-flash-lite	填写 AIza... Key，自动使用 Gemini 原生 API
阿里云百炼	qwen-vl-max	填写百炼 Key，自动使用 OpenAI 兼容接口
其他兼容服务	自定义	设置 VISION_BASE_URL 和 VISION_MODEL

Gemini Key 可在 Google AI Studio 申请；阿里云百炼 Key 可在百炼控制台申请。

使用

在 DSH 中直接发送或粘贴图片，然后提问即可。命令行也可以独立使用：

node vision.js "/绝对路径/screenshot.png" "分析这个报错并给出修复建议"
node vision.js --url "https://example.com/image.jpg" "识别图片中的文字"
node vision.js --clipboard "这个界面有什么问题？"

大图优化

默认在上传前把图片最长边限制为 2048px。macOS 使用系统 sips，Windows 使用系统 PowerShell/.NET；Linux 检测到 ImageMagick 时启用。优化结果不比原图小时会自动保留原图。

# 更快：最长边 1600px，JPEG 质量 76
node vision.js --max-side 1600 --quality 76 --clipboard "分析截图"

# 需要保留原图时关闭优化
node vision.js --no-optimize "/path/to/image.png" "读取细小文字"

也可以在 .env 中设置：

VISION_MAX_SIDE=2048
VISION_JPEG_QUALITY=82

平台支持

能力	macOS	Windows	Linux
本地图片 / URL	✅	✅	✅
剪贴板图片	✅	✅	暂不支持
零额外依赖优化	✅	✅	需系统安装 ImageMagick

安全与隐私

• 图片只会发送给你在 .env 中配置的视觉模型服务；项目不包含遥测
• .env 已加入 .gitignore，请勿在 Issue、日志或提交中粘贴 Key
• 剪贴板和优化产生的临时图片权限受限，并会在成功或失败后清理
• Gemini 本地下载远程图片时，仅允许 HTTP/HTTPS，并限制为最多 5 次重定向和 25 MB

English

Install

git clone --depth 1 https://github.com/shajinhui/dsh-vision-skill ~/.dsh/skills/dsh-vision-skill
cd ~/.dsh/skills/dsh-vision-skill
cp .env.example .env

Set VISION_API_KEY in .env. Keys beginning with AIza use the native Gemini API; other keys use the configured OpenAI-compatible endpoint, defaulting to DashScope with qwen-vl-max.

Use

node vision.js "/absolute/path/screenshot.png" "Find the bug and suggest a fix"
node vision.js --url "https://example.com/image.jpg" "Extract the text"
node vision.js --clipboard "Review this interface"

Large images are automatically resized to a maximum side of 2048px. Override this with --max-side, --quality, --no-optimize, VISION_MAX_SIDE, or VISION_JPEG_QUALITY.

Development

node --check vision.js
node --test tests/*.test.js
swiftc -typecheck clipboard.swift  # macOS

License

MIT