oil-oil

See Skill — Development skill for Claude Code

Development community

Vision & image analysis skill for Claude Code & Codex.

How to install See Skill

This entry records only its repository, not the path inside it, so there is no exact command to give. Open oil-oil/see-skill and copy the folder into ~/.claude/skills/, or the file into ~/.claude/agents/.

What See Skill does

Vision & image analysis skill for Claude Code & Codex. 帮不能看图的模型看懂图片和视频。

Alternatives in Development

Product Vision — Brainstorm inspiring, achievable product vision statements 7.8k ★
Setup Video Vision — Interactive setup wizard for claude-video-vision — configure backend, whisper, frames, and verify dependencies 1.3k ★
Cost Xray — See what Claude Code and Codex actually send to the API — and what each part costs 586 ★

README

see 为任何不支持多模态的模型补充原生图片与视频理解

分析图片、截图和视频，输出可阅读的媒体报告，并在适用时使用本地文字识别。

不要拖图

如果当前宿主在 Skill 启动前拒绝图片附件，可以提供可读的本地路径；不能据此断言所有宿主都会拒绝附件。

把图片保存到本地，发送路径或 URL，或显式输入 `$see`：

使用 see 查看 /Users/me/Desktop/error.png

$see

配置凭据不会修改全局规则。只有用户明确要求全局接入时才运行 `onboard.py --install-agents`；它是可选适配，不是图片分析的前置步骤。

安装

把下面这句话发给 Agent：

安装 https://github.com/oil-oil/see-skill skill

安装完成后说：

帮我配置 see

Agent 会按[配置说明](see/references/api-key-setup.md)展示本机页面。选择实际使用的服务后，由你亲自填写 Key；保存后经对应 run 入口启动分析。

没有多模态 Key 也能使用，onboard 时选择 `local` 即可。

只补 Codex 拒绝覆盖、不改供应商时：

# 仅明确要求修改全局规则时：python3 see/scripts/onboard.py --install-agents

安装 Skill 不会更换右下角的主模型。继续显示原来的文本模型是正常的，`see` 只在查看媒体时调用视觉后端。

直接使用

像平常一样告诉 AI 图片在哪里、想看什么：

看看 /path/to/screenshot.png

识别 /path/to/error.png 里的报错，并告诉我怎么修

并行查看 a.png、b.png、c.png

比较 before.png 和 after.png 的界面变化

总结 /path/to/demo.mp4 的内容

AI 只需要调用一个脚本：

# 单图
see/scripts/see.sh screenshot.png

# 多图独立分析，默认并行
see/scripts/see.sh a.png b.png c.png

# 多图联合理解
see/scripts/see.sh --together before.png after.png --task "比较界面变化"

# 完整视频理解
see/scripts/see.sh demo.mp4

为什么更接近原生视觉

图片原图直接发送，不预先 OCR、缩放或压缩。
视频保持完整时间线和音频，直接使用模型原生视频能力，不在 Skill 内抽帧。
4K、高帧率或大体积视频自动压缩为清晰的 H.264 MP4，减少上传时间。
用户问题通过 --task 原样交给视觉模型，不套固定报告模板。
视觉模型同时理解对象、布局、空间关系、界面状态和文字。
云端结果直接返回给主模型，减少“先泛化描述、再二次推理”的信息损失。

纯文本主模型最终仍然接收文字结果，因此不可能和同一个模型原生拥有视觉完全相同；但这是外接视觉模型时信息损失最少的方式。

并行与联合

场景	模式	行为
多张图片互不相关	默认	并行请求，结果按输入顺序汇总
前后对比、连续截图、组合证据	`--together`	所有原图进入同一次多模态请求
只有本地能力可用	自动降级	多张图片继续并行分析

供应商

供应商	默认模型	Key 变量
ZenMux	`qwen/qwen3.7-plus`	`ZENMUX_API_KEY`
百炼	`qwen3.7-plus`	`DASHSCOPE_API_KEY`
OpenRouter	`qwen/qwen3.7-plus`	`OPENROUTER_API_KEY`
TokenDance	`qwen3.7-plus`	`TOKENDANCE_API_KEY`
本地	系统视觉