---

name: lov-describe-image description: 给纯文本模型"看图"：调用智谱 GLM-4V-Flash（免费）把图片转成文字描述。当用户要求描述/识别/读取图片，或任务里出现图片文件（截图/图表/照片）而当前模型无法直接看图时，优先调用本 skill。需要图片磁盘路径，可附带具体问题。 license: MIT depends_on:

• lov-branding-consistency metadata: author: mark version: "0.2.1" tags:
  • vision
  • image
  • describe
  • multimodal
  • glm-4v
  • ocr

---

看图说话 · Image Narrator

给纯文本模型"看图"：把图片发送给视觉模型（智谱 GLM-4V-Flash，免费），返回文字描述，让本身不具备视觉能力的模型（如 deepseek-v4-flash）能间接"看到"图片内容。

Triggers

Activate when

• 用户要求"看看/描述/识别/读懂/读取/识别这张图"，或询问图片里写了什么。
• 任务上下文里出现图片文件（截图、图表、照片、海报、含文字的图），而当前模型无法直接看图。
• 需要从含文字的图片（界面截图、文档扫描、图表）中提取具体信息，例如检查异常、转录文字、核对内容。

Do not activate when

• 用户只是要求生成、编辑、压缩或转换图片，而不是理解图片内容。
• 当前模型本身具备视觉能力、能直接看到图片，无需转述。
• 用户明确要求走 dsh 的原生多模态管线、项目内置读图工具，或指定了其他视觉后端。

Usage

python3 ~/.claude/skills/lov-describe-image/scripts/describe_image.py "<图片路径>" "[具体问题]"

• <图片路径> 必填：绝对路径，或相对当前工作区的路径（建议绝对路径，避免歧义）。
• [具体问题] 可选：想从图中知道的具体信息；省略则让视觉模型完整描述（物体/场景/布局/颜色/风格/所有文字）。

Behavior

• 读取文件 → 超 5MB 自动用 sips 降采样到 2048px → base64 编码 → 调 GLM-4V-Flash（max_tokens 上限 1024）。
• 返回的文本就是视觉模型的回答，直接向用户转述，不要添油加醋，也不要声称"看到了原图"。
• 失败时（未设 key / 网络 / 尺寸超限）会打印明确错误，按提示处理即可。
• 小模型对细节核对（逐字转写）置信度有限；重要结论建议用更强的视觉模型（如 Gemini）交叉验证。

Prerequisites

• 环境变量 ZHIPU_API_KEY（智谱 key，格式 id.secret，注册地址：https://bigmodel.cn/apikey/platform）。
• macOS 自带 sips（大图降采样）与 python3。

通用反馈闭环

用户在 Skill 驱动任务中提出修改意见时，继续当前产物前必须执行：

1. 先判断意见是 task-specific（仅本次）还是 reusable（可跨任务复用）。
2. task-specific 只修改当前任务，不改 Skill。
3. reusable 先确定作用域：领域规则先更新对应 canonical Skill；适用于所有 Skill 的规则先更新共享规范。
4. 完成规则更新、版本、lint 与分发核验后，再把修改应用到当前任务。
5. reusable 修改会使此前的“确认”“继续”“发吧”失效；完成当前产物修改和回读后必须停下，等待用户下一步指示，不自动进入发布、提交或其他外部写入。