DeepSeek Eyes
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_1a99cb00/deepseek-eyes。
技能介绍
要解决的具体问题
DeepSeek、Claude Code 这类纯文本大模型无法直接解析截图或图片。当开发者想让 Agent 分析界面截图、提取 OCR 文字或者解读图表时,文本模型只会返回空泛或不可用的结论——它根本看不到画面里的实际内容。
技能如何工作
DeepSeek Eyes 把视觉模型作为中间层完成转译。其核心流程是:
- 用户完成截图,并将图片内容送入系统剪贴板
- MCP 服务器
deepseek-eyes监控剪贴板变化 - 检测到新截图后,调用 ModelScope 上免费的
Qwen-VL视觉 API - 视觉模型返回文字描述,再喂给 DeepSeek 等文本大模型
- 文本模型基于这段文字描述,生成关于图像的分析、理解或回答
这样,原本只能处理文本的模型,就能"看见"截图里的文字、UI 布局、图表趋势等可见信息。
适用边界与注意点
- 识别质量取决于
Qwen-VL的输出精度,模型可能漏掉细粒度 OCR 或微小 UI 元素 - 当前方案依赖网络可用性和 ModelScope API 的稳定性
- 密级较高或包含敏感信息的截图不适合直接走云端 API
- 无法保证高频、大批量截图场景下的低延迟体验
- 对过于模糊、低分辨率的截图,OCR 效果会明显下降
使用场景
- 需要用纯文本大模型分析界面截图时,借助该技能让模型先识别图片内容,再生成分析结果
- 用户需从截图中提取文字信息时,借助该技能调用视觉模型进行OCR识别,获取可处理的文本描述
- 要让纯文本Agent理解图形界面布局时,通过该技能将截图转为文字描述,辅助Agent完成界面相关任务
- 当处理图表类截图并需要向文本模型询问图表内容时,使用该技能先转译图片信息,再获取准确回答
适合人员
- 需借助纯文本大模型分析界面截图的开发者,希望让模型准确识别并理解屏幕内容,辅助开发调试
- 要用纯文本大模型提取截图文字的办公人员,期望获取可编辑的文本信息,减少手动录入成本
- 开发图形界面交互Agent的技术人员,需要让纯文本Agent理解界面布局并完成相关任务
- 经常处理图表截图并需向文本模型提问图表内容的用户,希望通过自然语言快速获取图表关键信息