deepseek-vision-qa

name deepseek-vision-qa description Use OpenCLI to drive DeepSeek's native vision model (识图模式) in Chrome for image-based QA. DeepSeek has built-in multimodal support — no third-party vision service needed. Triggers: "DeepSeek 识图", "DeepSeek vision", "用 DeepSeek 看图", "DeepSeek 视觉模式", "deepseek识别图片", "deepseek vision QA", "让 DeepSeek 看看这张图". This is the DEFAULT choice when the user needs image QA — DeepSeek has native vision support, no third-party service required. Two modes: Quick Describe (user just wants to know what the image is — upload directly) vs QA (user wants inspection — ask 3 questions before writing prompt). allowed-tools Bash(opencli:*), Read, Write, Bash(python3:*) deepseek-vision-qa 用 OpenCLI 驱动 DeepSeek 原生识图模式做视觉 QA。DeepSeek 自带多模态，无需借助第三方服务。 全程在同一个 opencli browser <session> 里完成。 Prerequisites opencli doctor # 必须全绿 opencli deepseek status # 必须 Connected + Login: Yes 如果没登录：在 Chrome 打开 https://chat.deepseek.com/ 登录。 Core Workflow (3 rounds of tool calls) 所有命令使用统一 session 名 deepseek-qa 。 关键原则：用 && sleep 0.2 && 把独立步骤串成链，减少 shell 启动次数。 Step 1: Confirm the image 确认图片路径。如需生成测试图： python3 -c " from PIL import Image, ImageDraw img = Image.new('RGB', (800, 600), '#1a1a2e') draw = ImageDraw.Draw(img) draw.rectangle([50, 50, 350, 250], fill='#e94560', outline='white', width=3) draw.text((100, 300), 'Test content', fill='white') img.save('/tmp/test-image.png') " Step 2: Ask the user about the image (MANDATORY) 先判断用户意图，选择对应模式： Quick Describe 模式 — 用户只想"知道这张图是什么" 用户说"这张图是什么""帮我看看这张图""描述一下这张图片"时， 直接跳过三问题 ，上传后发简单 prompt： 请描述这张图片的内容，告诉我这是什么类型的图片，里面有什么关键信息。 QA 模式 — 用户要检查/审查图片 用户有明确的检查意图（"检查这个 PPT""看看 UI 有没有问题"）时， 必须先问三个问题再写 prompt： 这是什么类型的图？ — PPT 幻灯片 / UI 截图 / 海报 / 图表 / 照片 / ... 这张图的预期内容是什么？ — 应该有哪些元素、文字、布局 你想重点检查什么？ — 或者让 AI 根据图片类型建议检查项 如果用户说"不知道""你看着办"，则根据图片类型推断检查项： 图片类型 默认检查项 PPT 幻灯片 文字溢出/截断、元素重叠、间距均匀、对比度、对齐、占位符残留 UI 截图 布局错位、文字截断、按钮可点击区域、颜色一致性、响应式问题 海报/宣传图 视觉层次、文字可读性、品牌色一致、关键信息是否突出、留白 数据图表 坐标轴标签、图例完整、数据标签位置、颜色区分度、标题准确 照片/一般图片 构图、清晰度、曝光、主体是否突出 QA 模式下禁止跳过三问题直接写 prompt。 Step 3: Setup — 新对话 + 刷新 + 绑定 + 切识图（1 次 shell） 必须刷新页面 （清除 markerAttr），然后切到识图模式。用 && sleep 链在一起： opencli deepseek new && sleep 0.2 && opencli browser deepseek-qa bind && sleep 0.2 && opencli browser deepseek-qa eval "location.reload()" && sleep 3 && opencli browser deepseek-qa bind && sleep 0.2 && opencli browser deepseek-qa eval "document.querySelectorAll('[role=radio]')[2]?.click()" 为什么用 eval 切换模式？ OpenCLI v1.0.15 有 markerAttr bug： state / find / click / upload 都会在页面注入 markerAttr 变量，但只有第一个能成功声明。 eval 不走 DOM marker 逻辑，所以用 eval 切换，让后面的 upload 成为首个 DOM-marker 命令。 如果 bind 后落在 about:blank，追加导航： opencli browser deepseek-qa eval "window.location.href = 'https://chat.deepseek.com/'" && sleep 3 Step 4: Upload + prompt + send（1 次 shell） upload 必须是刷新后首个 DOM-marker 命令。 upload → Escape → type → click 全部链在一起： opencli browser deepseek-qa upload 'input[type=file]' /path/to/image.png && sleep 0.2 && opencli browser deepseek-qa keys Escape && sleep 0.2 && opencli browser deepseek-qa type 'textarea[placeholder*="给 DeepSeek 发送消息"]' "<your-prompt>" && sleep 5 && opencli browser deepseek-qa click 'input[type=file] ~ div > div[role=button]' 接受图片格式：png, jpg, jpeg, svg, bmp, gif, webp, avif, tiff 等。 可选：开启深度思考 — 在 click 发送前插入： && sleep 0.2 && opencli browser deepseek-qa eval "[...document.querySelectorAll('div[role=button]')].find(b => b.textContent.includes('深度思考'))?.click()" 稳定选择器速查： 元素 选择器 Textarea textarea[placeholder*="给 DeepSeek 发送消息"] File input input[type=file] Send button input[type=file] ~ div > div[role=button] 深度思考 div[role=button]:has(> span) 中文本含"深度思考"的那个（用 eval 定位） Step 5: Wait + read（1 次 shell） sleep 10 && opencli browser deepseek-qa state 2>&1 | tail -150 等待时间视情况调整：简单图片 8-10s，复杂图片 + 深度思考 20-25s。 Prompt Writing Guide 不要发泛泛的 prompt 。 Bad 解释图片 看看这图 Good 这是一张PPT幻灯片。预期内容：大字标题"君子善假于物"，下方三行小字。 请检查： 1. 文字是否有溢出或截断 2. 元素是否相互重叠 3. 间距是否均匀 4. 对比度是否足够 5. 是否有残留的占位符 6. 对齐是否一致 逐一回答，有问题标❌，没问题标✅。 Template 这是一张[图片类型]。 预期内容：[简单描述]。 请检查： 1. [检查项1] 2. [检查项2] ... 逐一回答，有问题具体说明位置和原因。 Pro Tips 合链优先 ：能 && sleep 0.2 && 串起来的就不要开新 shell。目标：prerequisites 并行 2 个 + 3 轮操作 = 最多 5 次工具调用。 Step 2 区分场景 ：用户只想知道"图是什么"→ Quick Describe 模式直接上传；用户要检查图片 → QA 模式问三问题。 全程用同一个 session ：bind → eval → upload → type → click → read 全在 deepseek-qa session 里。 所有操作均用 CSS 选择器 ： type 、 click 、 upload 均支持 CSS 选择器， 无需 state + grep 拿 ref 编号 。 markerAttr 避坑 ：刷新后，用 eval 切换模式， upload 作为首个 DOM 命令。 upload 用 CSS selector ： 'input[type=file]' 。 upload 后先关搜索框 ： keys Escape ，否则可能干扰后续操作。 发送按钮选择器 ： input[type=file] ~ div > div[role=button] — 即 file input 相邻兄弟 div 中的 role=button。 DeepThink 可选 ：复杂图像分析建议开启深度思考，简单检查不用。 read 不可靠时有 fallback ： read -f plain 返回空时，直接用 state | tail -150 抓 DOM 中的回复内容。 Troubleshooting symptom fix opencli doctor 红灯 opencli daemon restart && opencli doctor deepseek status 未登录 打开 chat.deepseek.com 登录 SyntaxError: Identifier 'markerAttr' has already been declared OpenCLI 的 markerAttr bug。刷新页面 → bind → 用 eval 做模式切換 → upload 作为首个 DOM 命令。绝不能在 upload 前调 state / find / click 上传后弹出"搜索对话内容" opencli browser deepseek-qa keys Escape 关掉 发送按钮灰色点不了 需要同时满足：图片已上传 + textarea 有文字 回复没识别图片（给了"AA AB AC"这种文字提取） 没切到识图模式！刷新页面，用 eval 点击第3个 [role=radio] ，再上传 回复太泛 prompt 太模糊，加图片类型 + 预期内容 + 检查清单 read -f plain 返回 "No visible messages found" read 命令有时不可靠。用 opencli browser deepseek-qa state 2>&1 | tail -100 直接从 DOM 抓回复内容 bind 后 URL 是 about:blank opencli deepseek new 后 bind 可能落在空白页。用 eval "window.location.href = 'https://chat.deepseek.com/'" 手动导航 Full Example Script 总共 5 次工具调用 （含 1 次并行），从图片路径到拿到回复。 # 0. 环境检查（并行 — 2 次 shell 同时发） opencli doctor opencli deepseek status # 1. 新对话 + 绑定 + 刷新 + 切识图（1 次 shell，全链） opencli deepseek new && sleep 0.2 && opencli browser deepseek-qa bind && sleep 0.2 && opencli browser deepseek-qa eval "location.reload()" && sleep 3 && opencli browser deepseek-qa bind && sleep 0.2 && opencli browser deepseek-qa eval "document.querySelectorAll('[role=radio]')[2]?.click()" # 2. 上传 + 关搜索框 + 输入 + 发送（1 次 shell，全链） opencli browser deepseek-qa upload 'input[type=file]' /path/to/image.png && sleep 0.2 && opencli browser deepseek-qa keys Escape && sleep 0.2 && opencli browser deepseek-qa type 'textarea[placeholder*="给 DeepSeek 发送消息"]' "这是一张[图片类型]。预期内容：[...]。请检查：1. ... 2. ... 逐一回答。" && sleep 0.2 && opencli browser deepseek-qa click 'input[type=file] ~ div > div[role=button]' # 3. 等待 + 读取（1 次 shell） sleep 10 && opencli browser deepseek-qa state 2>&1 | tail -150