Vision Reader Skill は何をしますか？
純粋なテキストLLM（DeepSeek など）が、Python ツールを呼び出すことでバイナリファイルを読み取れるようにします。
インストールパス
すべてのツールは ~/opencode-vision-skill/tools/ に配置されています。~ はホームディレクトリを意味します：
- Windows:
%USERPROFILE%\opencode-vision-skill\tools\ - macOS/Linux:
~/opencode-vision-skill/tools/
別の場所にインストールした場合は、以下のパスを適宜調整してください。
利用可能なツール
| ツール | コマンド |
|---|---|
pdf-reader | python ~/opencode-vision-skill/tools/pdf-reader.py <filepath> |
image-reader | python ~/opencode-vision-skill/tools/image-reader.py <filepath> |
ppt-reader | python ~/opencode-vision-skill/tools/ppt-reader.py <filepath> |
screenshot | python ~/opencode-vision-skill/tools/screenshot.py [x,y,w,h] |
filepath 引数には常に絶対ファイルパスを使用してください。
ツールの詳細
pdf-reader — PDFファイルの読み取り
python ~/opencode-vision-skill/tools/pdf-reader.py "/absolute/path/to/file.pdf"
ページ見出し、テキストコンテンツ、およびテーブルを含むマークダウンを返します。
image-reader — 画像の読み取りと説明
python ~/opencode-vision-skill/tools/image-reader.py "/absolute/path/to/image.png"
次の3つのセクションを返します：
- メタデータ — フォーマット、モード、サイズ、DPI
- 視覚的な説明 — オブジェクト、レイアウト、矢印、図を説明するAI生成のキャプション
- OCRテキスト — 画像から認識されたテキスト
ppt-reader — PowerPointファイルの読み取り
python ~/opencode-vision-skill/tools/ppt-reader.py "/absolute/path/to/slides.pptx"
タイトル、箇条書き、テーブルを含むスライドごとのテキストを返します。
screenshot — 画面をキャプチャ
python ~/opencode-vision-skill/tools/screenshot.py
全画面をキャプチャします。領域を指定する場合：python ~/opencode-vision-skill/tools/screenshot.py 0,0,800,600
保存されたPNGファイルのパスを返します。
注意事項
- 最初の
image-reader呼び出し時に、Florence-2モデル（約400MB）が事前ダウンロードされていない場合はダウンロードされます - Tesseract OCRはオプションです — image-readerはeasyocrを使用するため、Tesseractがなくても動作します
- スクリーンショットにはディスプレイサーバーが必要です（LinuxではX11/Wayland、Windows/macOSではネイティブ）