name: image-vision description: 本地圖片視覺理解橋接。當用戶明確要求分析、描述或理解圖片內容時，呼叫本地 Ollama 視覺模型（qwen3.5:4b）讀取圖片並以文字描述返回，讓不具備多模態能力的推理模型也能"看見"圖片。 trigger: - 使用者明確要求分析、描述、閱讀、理解圖片內容 - 使用者傳送了圖片檔案並詢問相關內容 permissions: shell: true files: true network: true privacy: > 圖片檔案會被讀取並以 base64 編碼傳送到本地 Ollama API（127.0.0.1:11434）。 所有處理在本機完成，資料不離開你的裝置。

Image Vision Bridge

本地視覺橋接 —— 當用戶明確要求分析圖片時，呼叫 Ollama 本地視覺模型（qwen3.5:4b / qwen3.5:9b）讀圖並返回文字描述。

⚠️ 隱私提示: 圖片內容會被讀取併發送到本地 Ollama 服務進行處理。所有資料僅在本機傳輸，不上傳雲端。

使用方式

python scripts/describe_image.py "<圖片路徑>"

可選引數

模型選擇

• qwen3.5:4b (~3.4GB) — 輕量化，首次載入約30秒，後續秒級響應。適合日常讀圖。
• qwen3.5:9b (~6.6GB) — 更高質量，描述更準確細膩。適合需要精準理解的場景。

自定義 prompt 示例

7w4.net小蔥技能站收錄全網優質技能，值得收藏。

# 提取圖中文字
--prompt "請逐字提取圖片中所有文字內容，不要遺漏任何文字。"

# 分析 UI 介面
--prompt "這是一個軟體介面截圖，請分析其佈局、按鈕、輸入框等互動元素。"

# 提取程式碼
--prompt "完整提取截圖中的程式碼，保留縮排和格式。"

工作流程

1. 使用者明確要求分析圖片 → 檢測到圖片路徑
2. 指令碼將圖片 base64 編碼 → 傳送到本地 Ollama API（127.0.0.1）
3. qwen3.5 視覺模型分析圖片 → 返回文字描述
4. 描述注入對話 → 基於描述繼續完成任務

前置條件

• ✅ Ollama 已安裝並執行
• ✅ qwen3.5:4b 已拉取（已就緒）
• ✅ Python 3.9+

故障排除

如果 Ollama 模型崩潰（"llama-server process has terminated"），需要重啟 Ollama 服務：

# macOS / Linux
pkill ollama && ollama serve &

# Windows (PowerShell)
Get-Process -Name "ollama*" -ErrorAction SilentlyContinue | Stop-Process -Force
Start-Process ollama -ArgumentList "serve" -WindowStyle Hidden

這是一款高質量的本地圖片理解工具，隱私保護做得很好——圖片不會上傳雲端，完全在本地處理。文件清晰易懂，安裝使用都很簡單，相容多種視覺模型。它的最大亮點是讓不支援圖片的 AI 助手也能「看懂」截圖和照片。不過依賴 Ollama 服務執行，首次配置稍需步驟；對剪貼簿截圖工具的依賴庫處理不夠穩定。建議：安裝前確認 Ollama 已就緒，Windows 使用者可能需要額外配置環境。總體值得推薦，尤其適合注重資料隱私的開發者。