read-image

Read Image（图片读取）

何时使用

• 用户提供了图片路径或拖入图片，要求"看一下 / 读取 / 描述 / 分析 / 识别"；
• 需要把图片内容变成文字：截图里的报错、图表数据、设计稿、证件扫描件、照片等；
• 用户提问时附带了图片文件。

工作流程

1. 确认图片存在：检查用户给的路径是否真实存在，支持 png / jpg / jpeg / webp / gif。

2. 运行脚本（脚本会先 base64 编码图片，再调用视觉模型）。脚本位于插件目录的 scripts/ 下，相对于本 SKILL.md（skills/read-image/）是 ../../scripts/read_image.py：

   python3 <插件目录>/scripts/read_image.py <图片路径> [更多图片...] --prompt "<用户的具体问题>"
   

   查找脚本位置后运行，例如安装目录为 ~/.codex/.tmp/marketplaces/codex-read-image/plugins/read-image 时：

   python3 ~/.codex/.tmp/marketplaces/codex-read-image/plugins/read-image/scripts/read_image.py /tmp/screenshot.png \
     --prompt "详细描述这张截图的内容，包括其中的报错信息"
   

3. 读取脚本输出：脚本把视觉模型的识别结果打印在终端，作为后续回答的事实依据。

4. 回复用户：把识别结果转述给用户（中文），如果用户在原问题上继续追问，基于识别文本继续处理（总结、翻译、找 bug、提取数据等）。

配置检查（首次使用必须）

推荐方式：插件目录里的 .env（卸载插件时随插件一起删除）。首次使用如果只有 .env.example 模板，先复制一份：cp 插件目录/.env.example 插件目录/.env，再编辑填写。 也可以复制一份到 ~/.config/read-image/.env 作为备用（插件升级时不会被覆盖）。 两者结构相同，填好即可，不需要动 shell 配置：

环境变量	必填	说明
READ_IMAGE_API_KEY	是	视觉模型服务的 API 密钥
READ_IMAGE_BASE_URL	否	OpenAI 兼容接口地址，默认 https://api.openai.com/v1
READ_IMAGE_MODEL	否	视觉模型名，默认 gpt-4o-mini
READ_IMAGE_THINKING	否	思考模式 auto/on/off，默认 auto（glm 系列自动开启，其他模型关闭）

常见可用的视觉模型示例：gpt-4o-mini / gpt-4o（OpenAI）、qwen-vl-max（通义千问，DashScope 兼容模式）、glm-4.6v-flash / glm-4v-flash（智谱，免费）、SiliconFlow 上各家开源视觉模型。

.env 示例（编辑插件目录里的 .env 填值）：

READ_IMAGE_API_KEY=你的密钥
READ_IMAGE_MODEL=glm-4.6v-flash
READ_IMAGE_BASE_URL=https://open.bigmodel.cn/api/paas/v4
READ_IMAGE_THINKING=auto

上面是智谱免费模型示例（GLM-4.6V-Flash）；不填时脚本默认使用 gpt-4o-mini + https://api.openai.com/v1。如果都没有 READ_IMAGE_API_KEY，脚本会明确报错。此时应告诉用户按上面示例补上，改完重启 Codex 再试。配置优先级：命令行参数 > 环境变量 > 插件目录 .env > ~/.config/read-image/.env > 内置默认值。.env 不在 Git 仓库里，插件升级不会覆盖它。

当前 DeepSeek 接口不支持图片输入，需要另配一个支持视觉的模型服务，在 .env 里填写即可。

注意事项

• 大图片可能超过视觉模型限制：可先用 macOS 自带命令缩小（sips -Z 1024 原图 --out 缩小图.png）再识别。
• 一次可以传多张图，脚本会逐张识别并分别输出。
• 图片只会上传到配置的视觉模型服务；不要把 API 密钥写进 prompt 或输出。
• .env 里存有你的密钥，不要把这个文件或整个插件目录分享给别人。
• 识别结果来自第三方视觉模型，可能与原图存在细节差异，回答时注意这一点。