視覺理解-UI設計分析：爲 Agent 接入截圖理解與結構化輸出
視覺理解-UI設計分析（@user_ae22680b/visual-ui-understander，v2.0.0）是 SkillHub 社區 design-media 類 Skill，面向 CodeBuddy/WorkBuddy/OpenClaw 等 Agent。通過 understand_image.py 調用騰訊混元，支持 UI 設計分析、OCR、無障礙檢查、多圖輸入與 --json 結構化輸出。文章說明 skillhub 安裝到各客戶端 skills 目錄、TENCENTCLOUD 密鑰與混元開通、典型 CLI 用法及多圖與配額等注意事項。
閱讀全文VisionForge：DeepSeek Harness 視覺理解與圖片生成插件
VisionForge 是一款面向 DeepSeek Harness (DSH) 的開源視覺插件，旨在通過“一切皆插件”理念，爲模型推理提供統一的視覺處理方案。該插件具備“粘貼即讀”的視覺理解能力，支持多提供商視覺引擎與故障轉移，並集成了圖片生成、編輯、放大下載及本地緩存管理功能。用戶可通過 npm 安裝，配置 API 密鑰後，即可在對話中實現圖片解析、生成及編輯等全鏈路操作。
閱讀全文dsh-image-describer：讓 DeepSeek Harness 中的純文本模型具備視覺理解能力
DeepSeek Harness (DSH) 的 `dsh-image-describer` 插件通過攔截消息流，將圖片內容轉寫爲結構化文本，使純文本大模型具備“看圖”能力。該插件支持雙模交互，包括聊天框粘貼圖片（附件模式）和對話中提及本地路徑（Tool 模式），能自動進行 OCR 與內容識別。使用前需在配置文件中開啓文本模型的圖片輸入通道，並指定多模態視覺模型（如 MiniMax-M3）及其 API Key。
閱讀全文dsh-vision-android：DeepSeek Harness 視覺理解與 Android UI 自動化插件
dsh-vision-android 是一款基於 DeepSeek Harness 的插件，旨在爲智能體提供多模態視覺理解與 Android UI 自動化能力。該插件集成 11 個工具，主要解決兩大需求：一是將本地截圖或圖片發送給視覺模型進行分析；二是通過 ADB 在 Android 設備上執行真實的點擊、滑動、輸入及按鍵操作。 核心功能分爲視覺理解（如 `vision_ask`、`mobile_look`、截屏等）和 UI 自動化（如 `mobile_tap`、`mobile_swipe`、文本輸入、APK 安裝、應用啓動等）。使用時，智能體可形成“截圖分析 → 定位元素 → 執行操作 →
閱讀全文dsh-llm-vision-bridge：在 DSH web GUI 中爲 DeepSeek 文本模型接入圖片理解
dsh-llm-vision-bridge 是一款基於 MIT 許可的 DSH 插件，旨在解決文本模型無法直接處理圖片的問題。該插件在 DSH 的 `LlmAdapter` 中註冊 `deepseek-vision` 提供商，當請求包含圖片時，自動將圖片路由至已配置的視覺模型（如 pi-ai 或本地 llama.cpp）生成文本描述，隨後由 DeepSeek 文本模型基於描述繼續對話；若無圖片，則直接透傳至後備提供商以零開銷運行。核心特性包括 LRU 緩存以避免重複描述、對 503/429 及超時錯誤的自動重試，以及可配置的失敗策略（佔位符或報錯）。 安裝後需重啓 Web 服務，並在設置中配置
閱讀全文