AgentStack
Browse Sign in
Browse Why AgentStack Sell Docs
Sign in
SKILL verified MIT Self-run

Ocr

skill-supermanyqq-agent-skills-ocr · by supermanyqq

使用 macOS Vision 框架对图片进行 OCR 文字识别、场景分类和对象检测。当后端模型不支持多模态（如 DeepSeek）时，通过此技能将图片转为结构化文字描述，再传给模型理解。适用于需要让模型「看到」截图、文档、UI 界面、照片等场景。

↗ Repository
— No reviews yet
0 installs
36 views
0.0% view→install

Install

$ agentstack add skill-supermanyqq-agent-skills-ocr

✓ scanned · ✓ verified, works with Claude Code, Cursor, and more.

Security review

✓ Passed

No issues found. Passed automated security review. · v0.1.0 How review works →

  • ✓ Prompt-injection patterns
  • ✓ Secret / credential exfiltration
  • ✓ Dangerous shell & filesystem operations
  • ✓ Untrusted network calls
  • ✓ Known-malicious package signatures

What it can access

  • ✓ Network access No
  • ✓ Filesystem access No
  • ✓ Shell / process execution No
  • ✓ Environment & secrets No
  • ✓ Dynamic code execution No

From automated source analysis of v0.1.0. “Used” means the capability is present in the source — more access means more to trust, not that it’s unsafe.

View the full security report →

Verified badge

Passed review? Show it. Paste this badge into your README, it links to the public security report.

AgentStack Verified badge Links to your public security report.
[![AgentStack Verified](https://agentstack.voostack.com/badges/verified.svg)](https://agentstack.voostack.com/security/report/skill-supermanyqq-agent-skills-ocr)

Reliability & compatibility

✓ Security review passed
0 installs to date
— no reviews yet
● 2mo ago

Declared compatibility

Claude CodeClaude Desktop

Compatibility is declared by the source manifest. End-to-end runtime verification is coming, see below.

Preview Execution monitoring

We're building live execution health for every listing: tool-call success rate, median latency, uptime, and last-checked timestamps, measured, not self-reported. It isn't live yet, so we don't show numbers we can't stand behind.

How agent discovery & health will work →
Are you the author of Ocr? Claim this listing to set pricing, connect Stripe payouts, and keep 70% of every sale.
Sign up to claim

About

OCR 图片分析

核心定位

利用 macOS 本地 Vision 框架，在客户端完成图片分析——不消耗 API token，不需联网。将图片内容转为结构化文字描述后，作为上下文传给后端 LLM，从而绕过 DeepSeek 等纯文本模型对图片的不支持。

适用场景

  • 后端使用 DeepSeek 或其他不支持多模态的模型
  • 需要分析截图中的代码、报错信息、UI 界面
  • 需要提取文档照片中的文字
  • 需要获取图片的基本描述（场景分类、包含的对象）

使用方式

/swift scripts/ocr.swift  [选项]

选项

| 选项 | 说明 | |------|------| | --fast | 快速模式，牺牲精度换取速度 | | --plain | 推荐：纯文本分段输出，格式适合传给 LLM 消费 | | --quiet | 仅输出识别文字，无任何装饰 | | --clipboard | 从剪贴板读取图片（不需要提供路径） | | --no-classify | 跳过场景分类 | | --no-detect | 跳过人脸/人体/条码检测 | | --lang | 设置主要识别语言（默认 zh-Hans） |

示例

# 分析截图，输出 LLM 友好格式
swift scripts/ocr.swift screenshot.png --plain

# 从剪贴板读取
swift scripts/ocr.swift --clipboard --plain

# 英文文档
swift scripts/ocr.swift document.jpg --lang en --plain

工作流程

  1. 用户提供图片路径（或使用 --clipboard 从剪贴板读取）
  2. Swift 脚本调用 macOS Vision 框架进行本地分析：
  • OCR 文字识别：提取图片中所有文字
  • 场景分类：识别图片类型（截图、文档、室内场景等）
  • 对象检测：人脸、人体、条码/二维码
  1. 输出结构化文字描述（--plain 模式下分为 【场景分类】、【识别文字】、【检测对象】 三段）
  2. 将输出文字作为上下文传给后端 LLM

输出格式

--plain 模式（推荐）示例：

【图片信息】1920×1080

【场景分类】
  computer_screen（85%）
  user_interface（72%）

【识别文字】
  Error: connection refused
  at line 42 in server.ts
  ...

【检测对象】
  条码: QR: https://example.com

局限性

  • 无法生成自然语言描述：Vision 框架不是多模态 LLM，不能像 GPT-4o 那样说「这是一个蓝色按钮在页面右上角」。但场景分类可以提供粗略的图片类型标签
  • 无法理解图表语义：流程图、架构图中的箭头关系和层级结构无法提取，只能提取图中的文字
  • 编译延迟：Swift 脚本每次执行需要 JIT 编译，首次约 2-3 秒
  • 不支持 GIF/动图：仅支持静态图片（PNG、JPEG、TIFF、BMP 等）

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

Install and usage instructions live in the source repository linked above.

Reviews

No reviews yet, be the first.

Write a review

Versions

  • v0.1.0 Imported from the upstream source.

More in Content & Media