vision-review

Vision Review（读图 / OCR / 视觉检查）

用于显式视觉审查工作流：截图 QA、图片内容描述、OCR、水印/Logo 检测、界面布局问题检查，以及给程序化流程输出结构化证据。

DSH 桌面端 0.2.0-rc.2 / v0.1.6+ 兼容性：原生图片附件要求当前会话模型的 inputModalities 包含 image；默认 deepseek-flash 支持图片。纯文本模型会拒绝附件（MODEL_DOES_NOT_SUPPORT_IMAGES），不会触发旧版“自动转写成文字再喂给当前模型”的管道。此时可切换到视觉模型路由，或把本地图片路径传给本技能脚本进行审查。上游最新 tag dsh-v0.2.1-alpha.2 的源码仍保留这套 provider/附件契约。本技能适合需要脚本、故障转移链或 JSON 证据时使用。

用法

从本技能目录运行：

python3 scripts/vision.py <图片路径...> [--prompt="..."] [--provider=NAME] [--structured] [--doctor]

常用示例：

python3 scripts/vision.py screenshot.png
python3 scripts/vision.py a.png b.png --structured
python3 scripts/vision.py page.png --provider=siliconflow-qwen
python3 scripts/vision.py page.png --prompt="检查标题、按钮和图表是否重叠，并指出位置"
python3 scripts/vision.py --doctor

行为

• 可一次传多张图；每张图会压缩成 JPEG，边长随批内张数自适应：1–2 张 1024px，3–4 张 768px，5 张 512px。
• GLM-4V-Flash 单请求最多 5 张图；超过 5 张自动分批。
• 默认 prompt 检查渲染完整性、文字重叠/溢出/错位、配色层次、水印和明显视觉 bug。
• --structured 输出结构化 JSON：summary、ocr.full_text、layout.regions、semantics、visual、uncertainty；多批时输出 results 数组。
• --provider=NAME 固定单个引擎，不做故障转移。可用名包括 zhipu-glm、deepseek、siliconflow-qwen、sensenova、gemini 和自定义 fallback 名称。
• --doctor 检查 Pillow、已配置 key、候选模型和端点连通性。遇到引擎异常时先运行它。

引擎链

脚本按以下顺序尝试；可选引擎只有检测到对应 key 时才加入：

1. 智谱 glm-4v-flash（主引擎，GLM_API_KEY；输出上限 1024）。
2. DeepSeek 视觉模型（DEEPSEEK_API_KEY，付费可选；默认 deepseek-v4-flash-vision-exp，可用 DEEPSEEK_VISION_MODEL 覆盖）。
3. SiliconFlow Qwen3-VL（SILICONFLOW_API_KEY；默认 Qwen/Qwen3-VL-8B-Instruct，可用 SILICONFLOW_VISION_MODEL 覆盖）。
4. SenseNova（SENSENOVA_API_KEY；默认 sensenova-6.8-flash-lite，可用 SENSENOVA_VISION_MODEL 覆盖）。
5. Gemini OpenAI-compatible endpoint（GEMINI_API_KEY；默认 gemini-3.6-flash，可用 GEMINI_MODEL 覆盖）。
6. VISION_FALLBACKS 中声明的任意 OpenAI 兼容多模态引擎。

VISION_FALLBACKS 是 JSON 数组，每项包含 name、baseUrl、model，可选 apiKeyEnv、maxTokens、jsonObject。

密钥来源

按顺序读取：

1. 进程环境变量；
2. ~/.dsh/secrets/media-tools.env；
3. ~/.codex/secrets/media-tools.env（历史兼容）；
4. ~/.dsh/.credentials.yaml 中的顶层 key 或 refs 子映射。