Skillget

deepseek-vision-skill

skill
Guvenlik Denetimi
Uyari
Health Uyari
  • No license — Repository has no license file
  • Description — Repository has a description
  • Active repo — Last push 0 days ago
  • Low visibility — Only 5 GitHub stars
Code Gecti
  • Code scan — Scanned 4 files during light audit, no dangerous patterns found
Permissions Gecti
  • Permissions — No dangerous permissions requested

Bu listing icin henuz AI raporu yok.

SUMMARY

多agent技能：让纯文本模型识图、听音、看视频！

README.md

deepseek-vision skill

deepseek-vision 是一个多平台 skill，让本身没有视觉能力的模型也能处理图片、音频和视频。支持 Codex、Claude Code、OpenCode。遇到非文本内容时，交给小米 MiMo 模型处理，再基于 MiMo 返回的信息回答用户问题。

能力

  • 图片理解：识别图片内容，回答与图片相关的问题。
  • 音频理解：听懂音频内容、支持转文字/听写。
  • 视频理解：按帧理解视频内容并总结。
  • 分工明确：文本部分由 agent 自己处理，媒体部分交给 MiMo，不把整个大文档塞给 MiMo。
  • 强制路由：图片和截图不会走本地 OCR 或原生视觉，统一交给 MiMo 处理。
  • 用量透明：使用 Token Plan 与 OpenCode Go 会显示使用 token 数，使用 API 会显示使用人民币金额。
  • 全局配置：全局配置一次，任意对话、新开任务、重启后都能继续使用。
  • 多对话可用：MiMo 返回内容只在当前对话使用，不跨对话共享，可多对话同时使用。
  • 后台任务：识别较久时会进入后台，对话被中断后结果仍可取回。
  • 客户端接入：支持三端图片输入（Codex / OpenCode / Claude Code），检测、放行、提取由 agent 自动处理。

安装

1 把仓库链接发给 agent，说“下载并安装这个 skill”，agent 会自动完成下载、安装。

2 从 Releases 页面 下载 skill 压缩包，解压后把其中的 deepseek-vision 目录放到对应平台的 skill 目录：

  • Codex：~/.codex/skills/deepseek-vision/
  • Claude Code：~/.claude/skills/deepseek-vision/（或项目内 .claude/skills/deepseek-vision/）
  • OpenCode：~/.config/opencode/skills/deepseek-vision/（或项目内 .opencode/skills/deepseek-vision/）

配置

在任意 Codex、Claude Code 或 OpenCode 对话里说“配置 deepseek-vision”后，按引导完成配置。

支持:

  • MiMo API：格式 sk-xxxxx。
  • MiMo Token Plan：格式 tp-xxxxx。
  • OpenCode Go：格式 sk-xxxxx，key 从 opencode.ai/auth 获取，通过 OpenCode Zen Go 端点接入（仅支持图片/视频理解，不支持音频 analyze 与 ASR；音频请求会自动回退到已配置的 payg/token 官方渠道，未配置时会提示先配置官方渠道）。

使用

在对话里直接发送图片、音频、视频并提问即可。

客户端图片输入（Codex / OpenCode / Claude Code）

媒体识别统一走 MiMo；不同客户端「用户怎么把图片送进来」的机制不同，由 agent 自动处理，无需手动运行命令：

客户端 用户粘贴图片后发生了什么 处理方式 需要重启
Codex（DeepSeek 供应商） 默认禁止粘贴；放行后图片以本地文件进入对话 agent 自动放行并提示重启一次 是
OpenCode 桌面版/TUI 图片留在本地会话库，模型只收到占位 agent 自动取回图片识别；不改任何配置 否
Claude Code 模型收到 [Unsupported Image] 占位，图片留在会话记录里 agent 自动从会话记录提取识别 否

注意：

  • Codex：input_modalities 只接受 text/image/audio，绝不写 video（会导致启动解析失败回退 GPT）；重跑 DeepSeek setup 脚本后需要重新放行。
  • OpenCode：给 DeepSeek 声明 image 模态会被 API 400 拒绝，因此不改任何配置。
  • Claude Code：粘贴后出现 [Unsupported Image] 是正常现象；不使用原生视觉能力读图。
  • 兜底：所有客户端都可把媒体放 work/media 发路径；视频走路径 + --fps。

超时与失败

  • MiMo 处理媒体通常需要几十秒到几分钟，默认请求超时 180 秒；请不要在 60 秒左右就判定失败，并耐心等待结果。如请求失败，agent 会明确告知或重试。

安全与隐私

  • 默认请求走 Python 标准库，API Key 和 Base URL 不进入进程参数；若默认通道被服务商以 HTTP 403 拒绝（如 Cloudflare 指纹拦截），脚本会自动改用 curl 重试，无需手动干预；也可显式设置 MIMO_USE_CURL=1 强制走 curl，此时 key 通过临时配置文件传递，仍不会出现在命令行。
  • 真实 API Key 和 Token Plan 专属 Base URL 不写入本 skill 目录，也不写入仓库。
  • macOS 使用 Keychain 分块存储，Windows 使用 DPAPI，Linux/其他系统回退到 600 权限的用户目录配置；同时会保留一份 600 权限的明文备份文件，不能等同于系统级加密存储。
  • Windows 上 DPAPI 加密凭据优先使用 PowerShell 7（pwsh），未安装时自动回退系统自带的 Windows PowerShell 5.1；加密结果写入 %APPDATA%\deepseek-vision\secret，DPAPI 加密为主，credentials.json 明文备份仍保留。
  • 运行时会脱敏模型 Base64 和带参数的 URL；agent 不把媒体内容写入任何日志。
  • 异步任务结果只在当前用户目录以 600 权限暂存，poll 取走后立即删除，超过 24 小时自动清理。
  • 重要信息会脱敏，不泄露 key 或完整 Base URL。

环境要求

注意事项

  • Python脚本使用终端运行，skill默认直连MiMo，不使用代理。
  • 媒体会以 Base64 形式上传到远程 API 处理，涉及机密或敏感内容时请勿使用。
  • 单个本地文件超过约 50MB 后会无法处理；音频转文字目前只支持 wav 和 mp3。
  • m4a 音频在官方渠道 Base64 输入不兼容（官方端点限制），脚本会自动用 ffmpeg 转码为 mp3 后处理，需本机安装 ffmpeg。
  • 请妥善保管 API Key，不要写进代码、仓库或聊天记录。
  • 本skill不具有图片，视频等非文本内容生成功能。

Yorumlar (0)

Sonuc bulunamadi