图眼

图眼 👁️

管什么:给无视觉模型当眼睛——图片 → 高保真文本。 不管什么:不生成图片、不裁剪/美化图片(那是别的 skill);不内置推理大脑—— 图眼只负责「看懂图片并把细节完整说出来」,推理由调用者(deepseek 等 agent)完成。

使用方式(核心)

deepseek-v4-flash 等 agent 作为调用者时:在对话里用 /图眼 调用本技能, 图眼返回图片的细节文本,调用者(自己就是大脑)基于文本继续推理。 不存在 API key 的说法:调用者就是大脑,图眼不会也不需要在内部再去调用 任何推理模型 API;只有 ask/audit 子命令内置的「兜底大脑」MiniMax-M3 (仅用于无大脑的纯 CLI 环境)会走 mmx text chat,而 mmx 凭据已配置好。

快速调用

cd D:\2Study\StudyNotes\SKILLS\图眼

# ① 粗看:单次整体描述(1 次 vision,适合快速问答)
python scripts/eye.py look --image <图片路径或URL>

# ② 精扫:细节保真管线(10 次 vision,截图/文档/手写/审计用这个)
python scripts/eye.py scan --image <图片> --out <细节文档.md>

# ③ 读图:提取所有文字(OCR 专项)
python scripts/eye.py ocr --image <图片>

# ④ 问图:看图 + 提问 → 兜底大脑推理(仅无大脑环境;LLM agent 调用者直接用 ①②③)
python scripts/eye.py ask --image <图片> --question "问题"

# ⑤ 审图:兜底大脑审问循环(同上,仅供无大脑环境)
python scripts/eye.py audit --image <图片> --rounds 2 --out <收敛文档.md>

子命令速查

子命令	动作	次数	关键参数
look	粗看(单次整体描述)	1	--image --prompt --out
scan	精扫(切片+审计+合并文档)	10	--grid(默认3) --target(1024) --overlap(0.12) --out
ocr	读图(OCR 文字提取)	1	--image --out
ask	问图(看图+问题→兜底大脑)	10+1	--question --mode look/scan --out
audit	审图(兜底大脑审问循环)	12-15	--rounds(默认2) --out

通用参数:--output json(全局,放子命令前)输出 {status, data, message} 契约;--timeout 默认 600s。

路由规则 · 用户表达 → 唤醒词 → CLI

用户表达示例	唤醒词	CLI	输出形式
帮我看看这张图是什么 / 这是什么图片	看图	look	描述文本
仔细看 / 精扫 / 截图里有什么细节	精扫	scan	细节文档(分区域)
提取图里文字 / 图里写了什么	读图	ocr	纯文字
这张图里……?(带具体问题)	问图	ask	问题+答案
帮我仔细核对/审计/审问这张图	审图	audit	收敛文档
图眼有什么能力 / 怎么用	图眼帮助	python scripts/eye.py --help	HELP HTML

输入形式

• 本地文件:绝对路径,中文路径直接传(内部列表传参,无编码问题)
• URL:http(s) 自动下载到临时目录
• file-id:file-xxx 透传给 mmx(跳过 base64)

大脑关系(架构修正 v1.1)

• 图眼是纯眼睛:只负责把图片变成高保真文本,输出给调用者。
• 调用者即大脑:deepseek-v4-flash 等 agent 通过 /图眼 调用本技能,拿到文本后 自己推理——不存在「图眼内部再调推理模型 API」的需求,也没有 API key 的说法。
• 兜底大脑 MiniMax-M3:仅 ask / audit 子命令内置,供无大脑的纯 CLI 环境 使用(走 mmx text chat,mmx 凭据已配置)。LLM agent 调用者应直接用 look/scan/ocr, 不需要也不建议走 ask/audit。

歧义消解原则

1. 用户只说「看看这张图」没给问题 → 粗看 look
2. 用户给了具体问题(问内容/问文字) → ask(默认精扫模式)
3. 用户说「仔细/核对/审计」→ 精扫或审图,别用粗看糊弄
4. 用户给了图但没说干嘛 → 粗看 + 主动问要不要精扫
5. 图片路径不存在 → 报错带字段名,让用户修正

细节保真管线(为什么精扫有 10 倍信息量)

L1 全景   → 整体结构、空间关系              (1 次)
L2 切片   → 3×3 带 12% 重叠 + 放大 1024px    (9 次,细节主力)
L3 专项   → OCR / 数值提取(按需)            (1-3 次)
L4 审问   → 大脑生成追问 → 眼睛定向回答      (audit 模式)

单次看图是「有损压缩」——VLM 只挑它觉得重要的说,小字/角落/细节会被牺牲或幻觉。 切片精扫让每一块区域被独立放大审计,配合「宁多勿漏」审计 prompt,实测信息量提升约 10 倍 (1.5K → 15.4K 字符),并纠正粗看的文字幻觉。

输出位置约定

• 精扫/审图/问答文档默认 stdout 打印;--out <path> 落盘 markdown
• SKILL 场景输出:AI 应把落盘的 .md 用 <media type="file"> 主动发送给用户(飞书 HTML 交付 v2 精神),不丢路径
• 临时切片/下载文件走 tempfile 系统临时目录,用完即弃,不污染仓库
• 本 skill 无数据库、无持久状态

硬规则(系统强制,无跳过通道)

规则	违反后果
图片必须存在(本地/URL/file-id 三选一)	非零退出,报错含字段名
长文本兜底大脑调用走 --messages-file(防 Windows 命令行超长)	内部强制,无绕过
所有错误 stderr + 非零退出码	静默失败=违规
--output json 输出 {status, data, message}	契约破坏=违规

软规则(AI 自觉,详见 references/prompts.md)

1. 逼细节不逼概括:审计用「报清单」prompt
2. 位置 > 散文:物体带方位,支撑审问
3. 宁可误报不可漏报
4. 大脑要诚实:信息不足就说缺什么,禁止编造
5. 切片重叠是刚需(默认 12%,密集小字 20%)
6. 文字类任务先 OCR 后审计

与其他 Skill 的边界

• 图片生成(文生图) → 走 mmx-cli 技能 / 智剪工坊
• 图片处理(裁剪/美化/调色) → 智剪工坊
• 视频理解 → 智剪工坊 / video-motion-analyzer
• 本 skill 只负责:图片 → 文本(细节保真),以及可选文本模型推理

依赖与环境

• mmx-cli ≥ 1.0.15(已全局安装,API Key 已配置)——眼睛凭据
• Pillow(切片用;若缺执行 pip install Pillow)
• 调用者(大脑)= 使用本技能的 agent(如 deepseek-v4-flash),无需任何额外 API 配置

已验证可用

• ✅ scan 精扫:1024×1024 细节密集桌面图,9 片审计,15.3K 字符细节文档
• ✅ ask 问图(兜底大脑):精扫 + MiniMax-M3,按位置归类便签内容,诚实标注模糊项
• ✅ ocr 文字提取:手写便签 "Buy milk and eggs" 精确识别
• ✅ 15 项 pytest 全绿(切片逻辑 + CLI 契约,不碰网络)
• ✅ deepseek 调用场景:架构上由调用者消费文本即可,无需额外验证

已知问题 & 坑

1. Windows 命令行长度限制:>4KB 文本塞 --message 会报 "command line too long"——已强制走 --messages-file,勿改回。
2. PowerShell 误报退出码:脚本 stderr 有进度日志时,PowerShell 7 可能显示 Command exited with code 1,实际成功——以 stdout JSON 的 status 为准。
3. 手写体/模糊小字:VLM 可能读错,大脑会标注置信度;关键场景用 audit 追问具体区域。
4. 超大图(>4K):先等比缩到 2048 再精扫,否则切片爆炸。
5. 审问轮数:≤3 轮,每轮 ≤5 条追问,防成本失控。

Changelog

• 2026-08-11 v1.1:架构修正——图眼定位为纯眼睛,调用者(deepseek 等 agent)即大脑; 删除 --brain deepseek(不存在 deepseek API 集成);ask/audit 降级为「兜底大脑 MiniMax-M3, 仅供无大脑 CLI 环境」;清理 research 临时产物,实证报告入 docs/。
• 2026-08-11 v1.0:初版。look/scan/ocr/ask/audit 五个子命令 + 细节保真管线 + 15 项测试 + references/prompts.md + HELP HTML。