视觉理解-UI设计分析：为 Agent 接入截图理解与结构化输出
视觉理解-UI设计分析（@user_ae22680b/visual-ui-understander，v2.0.0）是 SkillHub 社区 design-media 类 Skill，面向 CodeBuddy/WorkBuddy/OpenClaw 等 Agent。通过 understand_image.py 调用腾讯混元，支持 UI 设计分析、OCR、无障碍检查、多图输入与 --json 结构化输出。文章说明 skillhub 安装到各客户端 skills 目录、TENCENTCLOUD 密钥与混元开通、典型 CLI 用法及多图与配额等注意事项。
阅读全文VisionForge：DeepSeek Harness 视觉理解与图片生成插件
VisionForge 是一款面向 DeepSeek Harness (DSH) 的开源视觉插件，旨在通过“一切皆插件”理念，为模型推理提供统一的视觉处理方案。该插件具备“粘贴即读”的视觉理解能力，支持多提供商视觉引擎与故障转移，并集成了图片生成、编辑、放大下载及本地缓存管理功能。用户可通过 npm 安装，配置 API 密钥后，即可在对话中实现图片解析、生成及编辑等全链路操作。
阅读全文dsh-image-describer：让 DeepSeek Harness 中的纯文本模型具备视觉理解能力
DeepSeek Harness (DSH) 的 `dsh-image-describer` 插件通过拦截消息流，将图片内容转写为结构化文本，使纯文本大模型具备“看图”能力。该插件支持双模交互，包括聊天框粘贴图片（附件模式）和对话中提及本地路径（Tool 模式），能自动进行 OCR 与内容识别。使用前需在配置文件中开启文本模型的图片输入通道，并指定多模态视觉模型（如 MiniMax-M3）及其 API Key。
阅读全文dsh-vision-android：DeepSeek Harness 视觉理解与 Android UI 自动化插件
dsh-vision-android 是一款基于 DeepSeek Harness 的插件，旨在为智能体提供多模态视觉理解与 Android UI 自动化能力。该插件集成 11 个工具，主要解决两大需求：一是将本地截图或图片发送给视觉模型进行分析；二是通过 ADB 在 Android 设备上执行真实的点击、滑动、输入及按键操作。 核心功能分为视觉理解（如 `vision_ask`、`mobile_look`、截屏等）和 UI 自动化（如 `mobile_tap`、`mobile_swipe`、文本输入、APK 安装、应用启动等）。使用时，智能体可形成“截图分析 → 定位元素 → 执行操作 →
阅读全文dsh-llm-vision-bridge：在 DSH web GUI 中为 DeepSeek 文本模型接入图片理解
dsh-llm-vision-bridge 是一款基于 MIT 许可的 DSH 插件，旨在解决文本模型无法直接处理图片的问题。该插件在 DSH 的 `LlmAdapter` 中注册 `deepseek-vision` 提供商，当请求包含图片时，自动将图片路由至已配置的视觉模型（如 pi-ai 或本地 llama.cpp）生成文本描述，随后由 DeepSeek 文本模型基于描述继续对话；若无图片，则直接透传至后备提供商以零开销运行。核心特性包括 LRU 缓存以避免重复描述、对 503/429 及超时错误的自动重试，以及可配置的失败策略（占位符或报错）。 安装后需重启 Web 服务，并在设置中配置
阅读全文