picturereader（ZCode 版）

ZCode 插件（zcode-plugin）— 给纯文本模型（如 deepseek-v4-flash）的"读图"能力。 把图片降分辨率 + 降色深 + 结构/色彩指纹提取，渲染成文本网格喂回对话， 让模型像多模态模型一样"看"图：描述场景、主体、环境、光线与语义内容。 纯本地、零外部模型依赖、零 API key、零 Python（PaddleOCR 为可选增强）。

本仓库是原 picturereader（DeepSeek Harness 插件，独立仓库）的 ZCode 移植版： 三个工具通过 MCP server（mcp/server.js，stdio）暴露给 ZCode，读图方法论作为 skill（skills/image-reading/）随插件分发。业务逻辑 src/core.js 与源插件完全一致。

性能提示：本版工具经 MCP stdio 子进程暴露，每次调用都有进程通信与 JSON-RPC 序列化开销，速度明显慢于 DSH 版（DSH 版为插件内直接调用）。高频/批量看图请 使用 DSH 版；本版适合 ZCode 环境下的轻量、偶发看图。

这是什么

DeepSeek 等纯文本模型没有视觉编码器，无法直接看图。picturereader 把"看图"翻译成 模型能理解的结构化文本证据，并提供一套经过大量真实图片迭代验证的读图方法论 skill（image-reading），让模型像人一样分步看图：

1. 全局定调：hue families（纯色相指纹）→ structure（条带/对称）→ texture（写实度）→ regions（色块结构）

2. 主动找主体：px_per_cell 定向放大（深色/低对比/小色块不会漏）

3. 文字验证：PaddleOCR 实读（防多模态幻觉）

4. 材质判断：image_sample 像素取样

5. 综合描述：带证据等级的连贯画面描述

Related MCP server: vision-mcp

工具

读图方法论 skill（image-reading）

skills/image-reading/SKILL.md 是一套经大量真实图片场景迭代验证的读图方法论 （按 experience / skill / principle / insight 分层，教训有据可依、找主导模式）， 安装后模型自动掌握：

• hue 场景指纹：cyan 高=水/雾/湖泊，green 高=森林，orange/red 高=暖色人物/火光， blue 高=夜晚科幻，achromatic+rough=废墟，green+yellow=翠绿能量/浮空仙境

• 多模态模型校验规则：游戏名/品牌等文字必须 OCR 实读（多模态模型会猜错）； 发光元素颜色以 hue 实测为准（多模态模型对发光色的描述系统性不可靠）

• 主动验证：低对比主体（暗色人物/小色块）必须放大确认

安装

本目录同时是一个本地插件市场（根目录 marketplace.json 声明了 picturereader 插件，source: "." 指向本目录自身），插件自带 .zcode-plugin/plugin.json 清单 （声明 skills 与 mcpServers）。

# ZCode 桌面端 Settings → Plugin Management → Discover → 「+」→ 本地目录
# 选择 D:\coding\picturereader_zcode → 市场列表出现 picturereader → 安装

安装并启用后（重启 ZCode 或按提示重连）：

1. MCP server picturereader 自动连接（stdio 子进程 node mcp/server.js）， 模型工具列表出现 image_scan / image_ocr / image_sample；

2. skill image-reading 自动出现在技能列表（图片任务自动触发）；

3. （可选）PaddleOCR 增强引擎：node scripts/setup-ocr.mjs。

关于安装后的运行位置：市场安装会把插件目录拷贝到 ZCode 插件缓存 （~/.zcode/cli/plugins/cache/...），但 .zcode-plugin/plugin.json 里 MCP server 的 args 是具体绝对路径，指向本目录的 mcp/server.js——因此 MCP server 始终 从本目录运行：改 src/core.js 下次调用即生效（热加载）。skill / 工具定义变更 需在 Discover 里卸载后重装生效（或手动同步缓存副本）。若插件目录移动，请同步更新 plugin.json 里的 args 路径。

路径解析

工具参数 file_path 支持绝对路径，也支持相对路径——相对路径以当前工作区根目录 为基准解析（插件通过 PICTUREREADER_CWD 环境变量从 ZCode 拿到项目根）。

可选环境变量

使用

直接对模型说：

用 image_scan 看一下 <路径> 这张图，细看感兴趣的部分

模型会加载 image-reading 方法论自动执行完整流程（定调 → 找主体 → 验证 → 描述）。

输出示例

image: chart.png (600x400 -> 32x21 cells, ~18.8x19px per cell, region=full, palette=full, mode=color)
shade diversity: 10 distinct shades | texture: smooth 24.2%, medium 19.3%, rough 56.5%
structure: 6 vertical stripes (4 alternating colors) at cols 4..7; left-right symmetry 45%
hue families: cyan 88.2%, green 4.5%, yellow 1%          ← 真实主调（colors 灰白占比是假象）
regions: ...（色块结构）
colors by area: ...（像素级真实占比）
luminance grid / color grid

开发

npm install
npm test            # node:test，83 个测试（core 管线 + MCP 协议 + OCR 全链路）
node scripts/setup-ocr.mjs   # 可选：装 PaddleOCR
node scripts/preview.mjs     # 生成 fixtures 并预览渲染

热插拔：业务逻辑全在 src/core.js 单文件，MCP server 每次执行按 mtime 动态 加载（cache-bust，见 importCore），改 core.js 下次调用即生效；工具定义 （schema/描述）改动需重连 MCP server。

移植说明（相对 DSH 原版）

• ctx.tools.register 工具注册 → mcp/server.js 的 MCP tools/list / tools/call

• ctx.fs / exec 文件能力 → 直接 node:fs + 工作区根目录路径解析（resolveImagePath）

• cordis.patch.yml / src/tool.js（Cordis 专属）已移除；src/index.js 插件入口不再需要

• skills/image-reading.md → skills/image-reading/SKILL.md（zcode skill 目录格式）

• 工具名、参数、输出格式、错误消息与 DSH 原版完全一致

注意：.zcode-plugin/plugin.json 的 mcpServers 与内置插件一致使用具体绝对路径 （command = node.exe，args = 本目录的 mcp/server.js），不依赖变量展开；若把插件目录 移动到别处，需同步更新这两个路径。

优势

• 零外部模型依赖：核心链路（扫描/取样/解码）纯本地纯 JS，不调任何视觉 API； 语义理解完全交给主模型（DeepSeek），不依赖 YOLO 等固定类别检测器（遇未知物体不失效）

• 可追溯、可验证：每个结论都有数据支撑（hue 占比、色块坐标、OCR 文本+置信度）， 能主动识别并纠正多模态模型的幻觉（游戏名乱猜、发光颜色误标、小字脑补）

• 隐私友好：原始图片不出本机，只有降采样文本进模型上下文

• 成本低：一次扫描 ≈0.6–2.2K tokens；PaddleOCR 本地跑，无 API 费用

• 可选增强：PaddleOCR 一键安装（scripts/setup-ocr.mjs），缺失自动降级不崩溃

• 方法论沉淀：附带的 image-reading skill 把读图经验固化（场景指纹/校验规则）， 模型每次看图都带着经过大量图片验证的经验

局限性（重要）

• 不是真正的视觉模型：文本网格信息量有限，人脸/表情/花纹等像素级细节读不出； 这是文本模态的硬上限，放大（px_per_cell）只能缩小差距，不能消除

• 语义推断依赖主模型能力：物体识别（"这是树/空间站"）是 LLM 基于结构证据的推测， 不是视觉模型的确证——复杂/罕见物体可能推断错误

• OCR 引擎边界：Windows OCR 对发光/弯曲/艺术字失效；PaddleOCR 强很多但需选装， 且对极小文字/极端艺术字仍可能失败（可配合放大）

• 性能：4K 图解码 ~230ms；PaddleOCR 每次调用需 ~2s 加载模型；大图网格渲染 token 随 size 增长（64×64 color ≈ 3–5K tokens）。PaddleOCR 引擎输入自动降采样 到长边 ≤1600px（否则 4K 截图识别可达 15–18s，会超过客户端工具超时）；需要精细 小字时用 region/focus 裁剪后再 OCR（裁剪后不再降采样）

• WebP 不支持（提示转 PNG/JPEG）；GIF 只读首帧

• 多模态模型的描述不可全信（本插件可交叉验证，但最终语义仍需人工判断关键场景）

License

MIT