Vision Reader Skill
Ermöglicht reinen Text-LLMs (DeepSeek usw.) das Lesen von Binärdateien durch den Aufruf von Python-Tools.
Installationspfad
Alle Tools befinden sich unter ~/opencode-vision-skill/tools/. Das ~ steht für Ihr Home-Verzeichnis:
- Windows:
%USERPROFILE%\opencode-vision-skill\tools\ - macOS/Linux:
~/opencode-vision-skill/tools/
Wenn Sie die Tools woanders installiert haben, passen Sie die Pfade entsprechend an.
Verfügbare Tools
| Tool | Befehl |
|---|---|
pdf-reader | python ~/opencode-vision-skill/tools/pdf-reader.py <dateipfad> |
image-reader | python ~/opencode-vision-skill/tools/image-reader.py <dateipfad> |
ppt-reader | python ~/opencode-vision-skill/tools/ppt-reader.py <dateipfad> |
screenshot | python ~/opencode-vision-skill/tools/screenshot.py [x,y,w,h] |
Verwenden Sie für das Dateipfad-Argument immer absolute Pfade.
Tool-Details
pdf-reader — PDF-Dateien lesen
python ~/opencode-vision-skill/tools/pdf-reader.py "/absoluter/pfad/zur/datei.pdf"
Gibt Markdown mit Seitenüberschriften, Textinhalt und Tabellen zurück.
image-reader — Bilder lesen und beschreiben
python ~/opencode-vision-skill/tools/image-reader.py "/absoluter/pfad/zum/bild.png"
Gibt drei Abschnitte zurück:
- Metadaten — Format, Modus, Größe, DPI
- Visuelle Beschreibung — KI-generierte Bildunterschrift, die Objekte, Layout, Pfeile, Diagramme beschreibt
- OCR-Text — Erkannter Text aus dem Bild
ppt-reader — PowerPoint-Dateien lesen
python ~/opencode-vision-skill/tools/ppt-reader.py "/absoluter/pfad/zur/praesentation.pptx"
Gibt Folie für Folie Text mit Titeln, Aufzählungspunkten und Tabellen zurück.
screenshot — Bildschirm aufnehmen
python ~/opencode-vision-skill/tools/screenshot.py
Nimmt den gesamten Bildschirm auf. Für einen Ausschnitt: python ~/opencode-vision-skill/tools/screenshot.py 0,0,800,600.
Gibt den Pfad zur gespeicherten PNG-Datei zurück.
Hinweise
- Der erste
image-reader-Aufruf lädt das Florence-2-Modell (~400 MB) herunter, falls es nicht bereits vorhanden ist - Tesseract OCR ist optional — image-reader funktioniert ohne es mit easyocr
- Screenshot benötigt einen Display-Server (X11/Wayland unter Linux, nativ unter Windows/macOS)