ds-vision-skill

给纯文本模型装上眼睛，图片问答不求人

ds-vision-skill 是一个为纯文本大模型补上视觉能力的技能套件，主要面向 DeepSeek 等不具备原生多模态输入能力的模型。它通过一套可复用的技能流程，把图片理解、描述、OCR 等视觉任务拆解为文本模型可执行的步骤，让原本只能处理文字的模型也能“看图说话”。项目用 PowerShell 编写，适合在 Windows 环境下快速接入，无需改动模型本身即可扩展图像能力。核心价值在于降低多模态能力的接入门槛，让开发者用现有文本模型完成图片问答、内容提取等任务，而不必切换到昂贵的多模态模型。对于想低成本验证视觉场景、或在本地/私有环境里给文本模型加视觉外挂的团队，这是一个轻量、可组合的起点。