# vision-multimodal

Скилл с готовыми шаблонами кода для распознавания картинок, скриншотов и PDF через API Anthropic. Пригодится, когда агенту нужно разобрать чужой интерфейс или вытащить таблицу из скана.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 550 установок · ★ 21
- Автор: TheLobbi
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/TheLobbi/claude/tree/HEAD/.claude/skills/vision-multimodal/SKILL.md
- Обновлён: 2026-10-22
- HTML: https://affpapa.org/nevibecode/skills/vision-multimodal

## Что делает

Скилл включается на слова vision, image, screenshot, pdf, ocr и visual. Внутри — набор паттернов на Python: одиночная картинка, загрузка по URL, сравнение нескольких изображений, few-shot с примерами и разбор PDF через Files API. Для каждого случая показано, как закодировать файл в base64 и собрать блок content для `client.messages.create`.

Есть отдельный блок про промпты: назначение роли, пошаговое размышление перед ответом, вывод в JSON. Плюс функция `optimize_for_claude` на Pillow — уменьшает картинку до 1568 px по длинной стороне, чтобы срезать расход токенов. Размеры тоже разобраны: минимум 200 px, оптимум 1000x1000, максимум 8000x8000.

Скилл советует не ждать идеального OCR рукописного текста и напоминает, что у анимированного GIF берётся только первый кадр. Конкретных людей по фото он не опознаёт. Зависимость указана одна — `llm-integration`, так что без неё часть примеров работать не будет.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add TheLobbi/claude --skill vision-multimodal -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/vision-multimodal/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/vision-multimodal/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add TheLobbi/claude --skill vision-multimodal -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/vision-multimodal/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add TheLobbi/claude --skill vision-multimodal -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/vision-multimodal/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install TheLobbi/claude vision-multimodal
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/vision-multimodal/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add TheLobbi/claude --skill vision-multimodal -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/TheLobbi/claude --path .claude/skills/vision-multimodal
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/vision-multimodal/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add TheLobbi/claude --skill vision-multimodal -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/TheLobbi/claude/tree/HEAD/.claude/skills/vision-multimodal/SKILL.md

## Когда брать
- вытащить текст из скриншота или скана
- сравнить две картинки и перечислить различия
- разобрать таблицу с изображения и вернуть её в markdown
- сжать фото перед отправкой в модель, чтобы не жечь токены
- получить из чека или счёта структурированный JSON

## Примеры запросов агенту
- проанализируй скриншот `dashboard.png` и опиши, что на нём происходит
- сравни `before.jpg` и `after.jpg`, перечисли отличия
- вытащи таблицу с этого изображения и верни её в markdown

## Похожие
- [vision](https://affpapa.org/nevibecode/skills/vision.md) — скилл · 13400 установок
- [qianwen-vision](https://affpapa.org/nevibecode/skills/qianwen-vision.md) — скилл · 5700 установок
- [qwencloud-vision](https://affpapa.org/nevibecode/skills/qwencloud-vision.md) — скилл · 1800 установок
- [vision-analysis](https://affpapa.org/nevibecode/skills/vision-analysis.md) — скилл · 2700 установок
- [configuring-vision](https://affpapa.org/nevibecode/skills/configuring-vision.md) — скилл · 496 установок
- [ai-multimodal](https://affpapa.org/nevibecode/skills/ai-multimodal.md) — скилл · 530 установок

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md